如何从 pickle 文件中一次加载一行？

Question

我有一个大型数据集：20,000 x 40,000 作为 numpy 数组。我已将其保存为 pickle 文件。

我不想将这个庞大的数据集读入内存，而是一次只读其中的几行（比如 100 行），用作小批量。

我怎样才能从 pickle 文件中只读取几行随机选择的（没有替换的）行？

Answer 1

由于你不知道pickle的内部工作原理，所以你需要使用另一种存储方式。下面的脚本使用 tobytes() 函数将数据逐行保存在原始文件中。

由于每行的长度已知，因此可以通过 seek() 和 read() 计算和访问它在文件中的偏移量。之后，用 frombuffer() 函数将其转换回数组。

然而，最大的免责声明是数组的大小没有保存（这也可以添加，但需要更多的复杂性）并且这种方法可能不像 pickled 数组那样可移植。

正如@PadraicCunningham 在他的 , a memmap 中指出的那样，这可能是一个替代的优雅解决方案。

关于性能的评论：阅读评论后我做了一个简短的基准测试。在我的机器（16GB RAM，加密的 SSD）上，我能够在 24 秒内进行 40000 次随机行读取（当然是使用 20000x40000 矩阵，而不是示例中的 10x10）。

from __future__ import print_function
import numpy
import random

def dumparray(a, path):
    lines, _ = a.shape
    with open(path, 'wb') as fd:
        for i in range(lines):
            fd.write(a[i,...].tobytes())

class RandomLineAccess(object):
    def __init__(self, path, cols, dtype):
        self.dtype = dtype
        self.fd = open(path, 'rb')
        self.line_length = cols*dtype.itemsize

    def read_line(self, line):
        offset = line*self.line_length
        self.fd.seek(offset)
        data = self.fd.read(self.line_length)

        return numpy.frombuffer(data, self.dtype)

    def close(self):
        self.fd.close()


def main():
    lines = 10
    cols = 10
    path = '/tmp/array'

    a = numpy.zeros((lines, cols))
    dtype = a.dtype

    for i in range(lines):
        # add some data to distinguish lines
        numpy.ndarray.fill(a[i,...], i)

    dumparray(a, path)
    rla = RandomLineAccess(path, cols, dtype)

    line_indices = list(range(lines))
    for _ in range(20):
        line_index = random.choice(line_indices)
        print(line_index, rla.read_line(line_index))

if __name__ == '__main__':
    main()

Answer 2

您可以将泡菜增量写入文件，这样您就可以加载它们也逐渐增加。

举个例子。在这里，我们遍历列表的项目，并且依次腌制。

>>> import cPickle
>>> myData = [1, 2, 3]
>>> f = open('mydata.pkl', 'wb')
>>> pickler = cPickle.Pickler(f)
>>> for e in myData:
...     pickler.dump(e)
<cPickle.Pickler object at 0x7f3849818f68>
<cPickle.Pickler object at 0x7f3849818f68>
<cPickle.Pickler object at 0x7f3849818f68>
>>> f.close()

现在我们可以反向执行相同的过程并根据需要加载每个对象。为了示例的目的，假设我们只想要第一项而不想要想要遍历整个文件。

>>> f = open('mydata.pkl', 'rb')
>>> unpickler = cPickle.Unpickler(f)
>>> unpickler.load()
1

此时文件流只前进到第一个目的。其余对象未加载，这正是您的行为想。为了证明，您可以尝试阅读文件的其余部分并查看其余部分还坐在那里

>>> f.read()
'I2\n.I3\n.'

Answer 3

谢谢大家。我最终找到了一个解决方法（一台有更多 RAM 的机器，这样我就可以将数据集加载到内存中）。

如何从 pickle 文件中一次加载一行？

How to load one line at a time from a pickle file?

python

numpy

pickle