python sklearn读取非常大的svmlight文件

Question

我使用python2.7与svmlight一起存储和读取一个非常大的svmlight格式文件。

我正在使用

import sklearn
rows, labels = sklearn.datasets.load_svmlight_file(matrixPath, zero_based=True)

该文件太大，无法存储在内存中。我正在寻找一种方法来迭代文件的批次，而不需要预先分割文件。

现在，我发现最好的方法是使用终端命令拆分svmlight文件。然后读取我创建的部分文件。

我认为读取大文件的一个好方法是逐行逐行读取，以避免内存溢出。

如何使用svmlight格式的文件来完成此操作？

谢谢!

Answer 1

我遇到了同样的问题，以下是我的解决方案：

通过使用load_svmlight_file函数，您可以指定offset和length参数。来自文档

偏移量：整数，可选，默认为0

• 通过查找前向忽略偏移量第一字节，然后丢弃以下字节直到下一个新行字符。

length：整数，可选，默认-1

• 如果严格为正，则在文件中的位置达到(偏移量+长度)字节阈值后，停止读取任何新的数据行。

下面是一个示例，说明如何批量遍历svmlight文件：

from sklearn.datasets import load_svmlight_file

def load_svmlight_batched(filepath, n_features, batch_size):
    offset = 0
    with open(filepath, 'rb') as f:
        X, y = load_svmlight_file(f, n_features=n_features,
                                  offset=offset, length=batch_size)
        while X.shape[0]:
            yield X, y
            offset += batch_size
            X, y = load_svmlight_file(f, n_features=n_features,
                                      offset=offset, length=batch_size)

def main(filepath):
    iterator = load_svmlight_batched(filepath, 
                                     n_features=2**14, 
                                     batch_size=10000)
    for X_batch, y_batch in iterator:
        # Do something