内存错误，执行情感分析大数据量

Question

我正在尝试对社交网络中的大量数据进行情感分析。代码的一部分在数据量很小的情况下工作得很好。

输入大小小于20mb的计算没有问题。但如果大小超过20mb，我会得到内存错误。

环境: Windows 10，anaconda 3.x，更新版本包。

代码：

def captionsenti(F_name): 
    print ("reading from csv file")
    F1_name="caption_senti.csv"
    df=pd.read_csv(path+F_name+".csv")
    filename=path+F_name+"_"+F1_name
    df1=df['tweetText']   # reading caption from data5 file
    df1=df1.fillna("h") # filling NaN values
    df2=pd.DataFrame()
    sid = SentimentIntensityAnalyzer()
    print ("calculating sentiment")
    for sentence in df1:
        #print(sentence)
        ss = sid.polarity_scores(sentence)  # calculating sentiments
        #print ss
        df2=df2.append(pd.DataFrame({'tweetText':sentence ,'positive':ss['pos'],'negative':ss['neg'],'neutral':ss['neu'],
                                 'compound':ss['compound']},index=[0]))


    df2=df2.join(df.set_index('tweetText'), on='tweetText') # joining two data frames
    df2=df2.drop_duplicates(subset=None, keep='first', inplace=False)
    df2=df2.dropna(how='any') 
    df2=df2[['userID','tweetSource','tweetText','positive','neutral','negative','compound','latitude','longitude']]
    #print df2
    print ("Storing in csv file")
    df2.to_csv(filename,encoding='utf-8',header=True,index=True,chunksize=100)

为了避免内存错误，我需要包含哪些额外的内容?谢谢您的帮助。

Answer 1

一些可能对您有帮助的一般提示：

1.只加载需要内存的列：

pd.read_csv提供usecols参数以指定要读取的列

df = pd.read_csv(path+F_name+".csv", usecols=['col1', 'col2'])

2.删除未使用的变量

如果不再需要某个变量，请使用del variable_name将其删除

3.使用内存分析器

描述内存memory_profiler。引用文档中的示例内存日志，您将获得如下内存配置文件：

Line #    Mem usage  Increment   Line Contents
==============================================
     3                           @profile
     4      5.97 MB    0.00 MB   def my_func():
     5     13.61 MB    7.64 MB       a = [1] * (10 ** 6)
     6    166.20 MB  152.59 MB       b = [2] * (2 * 10 ** 7)
     7     13.61 MB -152.59 MB       del b
     8     13.61 MB    0.00 MB       return a

Answer 2

你不需要额外的东西，你需要更少的东西。为什么要一次加载内存中的所有tweet？如果你一次只处理一条推文，你可以用比低端智能手机更少的内存来处理at级的数据。

reader = csv.DictReader(open(F1_name))
fieldnames = ["TweetText", "positive", "negative", ...]
writer = csv.DictWriter(open(output_filename, "w"), fieldnames=fieldnames)
writer.writeheader()

for row in reader:
    sentence = row["TweetText"]
    ss = sid.polarity_scores(sentence)
    row['positive'] = ss['pos']
    row['negative'] = ss['neg']
    <etc.>
    writer.writerow(row)

或者类似的东西。我没有费心关闭你的文件句柄，但你应该的。你可以做各种各样的调整和调整，但重点是:当你一次分析一条推文时，没有理由炸毁你的记忆。