如何从大量列表中创建 Numpy 数组 - python

Question

我有一个包含 1,200 行和 500,000 列的列表。如何将其转换为 numpy 数组？

我已阅读 Bypass "Array is too big" python error 上的解决方案，但它们没有帮助。

我尝试将它们放入一个 numpy 数组中：

import random
import numpy as np
lol = [[random.uniform(0,1) for j in range(500000)] for i in range(1200)]
np.array(lol)

[错误]：

ValueError: array is too big.

那我试过pandas:

import random
import pandas as pd
lol = [[random.uniform(0,1) for j in range(500000)] for i in range(1200)]
pd.lib.to_object_array(lol).astype(float)

[错误]：

ValueError: array is too big.

我也按照@askewchan 的建议尝试了 hdf5：

import h5py
filearray = h5py.File('project.data','w')
data = filearray.create_dataset('tocluster',(len(data),len(data[0])),dtype='f')
data[...] = data

[错误]：

    data[...] = data
  File "/usr/lib/python2.7/dist-packages/h5py/_hl/dataset.py", line 367, in __setitem__
    val = numpy.asarray(val, order='C')
  File "/usr/local/lib/python2.7/dist-packages/numpy/core/numeric.py", line 460, in asarray
    return array(a, dtype, copy=False, order=order)
  File "/usr/lib/python2.7/dist-packages/h5py/_hl/dataset.py", line 455, in __array__
    arr = numpy.empty(self.shape, dtype=self.dtype if dtype is None else dtype)
ValueError: array is too big.

这篇文章表明我可以在磁盘Python: how to store a numpy multidimensional array in PyTables? 中存储一个巨大的 numpy 数组。但我什至无法将我的列表列表放入一个 numpy 数组 =(

Answer 1

问题似乎是您使用的 something（操作系统或 python）只有 32 位，这是大小限制的来源。解决办法是升级到64位。

Answer 2

在具有 32GB RAM 和 64 位 Python 的系统上，您的代码：

import random
import numpy as np
lol = [[random.uniform(0,1) for j in range(500000)] for i in range(1200)]
np.array(lol)

对我来说效果很好，但它可能不是最好的选择。这就是 PyTables 的目标。由于您正在处理同质数据，您可以使用 Array 类，或者更好的是 CArray class（它支持压缩）。这可以按如下方式完成：

import numpy as np
import tables as pt

# Create container
h5 = pt.open_file('myarray.h5', 'w')
filters = pt.Filters(complevel=6, complib='blosc')
carr = h5.create_carray('/', 'carray', atom=pt.Float32Atom(), shape=(1200, 500000), filters=filters)

# Fill the array
m, n = carr.shape
for j in xrange(m):
    carr[j,:] = np.random.randn(n) 

h5.close() # "myarray.h5" (~2.2 GB)

# Open file
h5 = pt.open_file('myarray.h5', 'r')
carr = h5.root.carray
# Display some numbers from array
print carr[973:975, :4]
print carr.dtype    

如果您print carr.flavor，它将返回'numpy'。您可以像使用 NumPy 数组一样使用此 carr。信息存储在磁盘上，但速度仍然很快。

Answer 3

您是否尝试过分配数据类型？这对我有用。

import random
import numpy as np
lol = [[random.uniform(0,1) for j in range(500000)] for i in range(1200)]
ar = np.array(lol, dtype=np.float64)

另一种选择是使用 blaze。 http://blaze.pydata.org/

import random
import blaze
lol = [[random.uniform(0,1) for j in range(500000)] for i in range(1200)]
ar = blaze.array(lol)

Answer 4

另一种选择如下：

lol = np.empty((1200,500000))
for i in range(lol.shape[0]):
    lol[i] = [random.uniform(0,1) for j in range(lol.shape[1])]

这与您的初始形式相当接近，我希望它可以适合您的代码。我无法用你的数字进行测试，因为我没有足够的 RAM 来处理数组。

Answer 5

与h5py / hdf5:

import numpy as np
import h5py

lol = np.empty((1200, 5000)).tolist()

f = h5py.File('big.hdf5', 'w')
bd = f.create_dataset('big_dataset', (len(lol), len(lol[0])), dtype='f')
bd[...] = lol

那么，我相信你可以像访问数组一样访问你的大数据集bd，但它是从磁盘而不是内存存储和访问的：

In [14]: bd[0, 1:10]
Out[14]:
array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.], dtype=float32)

您可以在一个文件中拥有多个“数据集”（多个数组）。

abd = f.create_dataset('another_big_dataset', (len(lol), len(lol[0])), dtype='f')
abd[...] = lol
abd += 10

然后：

In [24]: abd[:3, :10]
Out[24]: 
array([[ 10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.],
       [ 10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.],
       [ 10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.,  10.]], dtype=float32)

In [25]: bd[:3, :10]
Out[25]: 
array([[ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]], dtype=float32)

我的计算机无法处理您的示例，因此我无法使用您的大小的数组对此进行测试，但我希望它可以工作！

根据您想对数组执行的操作，pytables 可能比 h5py 做得更多。

另请参阅：
Python Numpy Very Large Matrices
exporting from/importing to numpy, scipy in SQLite and HDF5 formats