如何有效地对 memmap 进行切片？

Question

目前我正在研究一个非常庞大的数据集，几乎不适合我的记忆，所以我使用np.memmap。但在某些时候，我必须将我的数据集拆分为训练和测试。 当我想使用一些索引数组对np.memmap 进行切片时，我发现了这种情况： （您可以在下面找到代码和内存分配）

Line #    Mem usage    Increment   Line Contents
================================================
 7    29.340 MB     0.000 MB   def my_func2():
 8    29.340 MB     0.000 MB       ARR_SIZE = (1221508/4,430)
 9    29.379 MB     0.039 MB       big_mmap = np.memmap('big_mem_test.mmap',shape=ARR_SIZE, dtype=np.float64, mode='r')    
10    38.836 MB     9.457 MB       idx = range(ARR_SIZE[0])
11  2042.605 MB  2003.770 MB       sub = big_mmap[idx,:]
12  3046.766 MB  1004.160 MB       sub2 = big_mmap[idx,:]
13  3046.766 MB     0.000 MB       return  type(sub)

但如果我喜欢连续切片，我会使用以下代码：

Line #    Mem usage    Increment   Line Contents
================================================
15    29.336 MB     0.000 MB   def my_func3():
16    29.336 MB     0.000 MB       ARR_SIZE = (1221508/4,430)
17    29.375 MB     0.039 MB       big_mmap = np.memmap('big_mem_test.mmap',shape=ARR_SIZE, dtype=np.float64, mode='r')    
18    29.457 MB     0.082 MB       sub = big_mmap[0:1221508/4,:]
19    29.457 MB     0.000 MB       sub2 = big_mmap[0:1221508/4,:]  

请注意，在第 18,19 行的第二个示例中，没有内存分配，整个操作要快得多。

在第 11 行的第一个示例中，有一个位置，因此在切片期间会读取整个 big_mmap 矩阵。但更令人惊讶的是第 12 行还有另一个位置。做更多这样的操作很容易耗尽内存。

当我拆分数据集时，索引相当随机且不连续，因此我无法使用big_mmap[start:end,:] 表示法。

我的问题是：

有没有其他方法可以让我在不将整个数据读取到内存的情况下对 memmap 进行切片？

为什么在使用索引切片时将整个矩阵读入内存（示例一）？

为什么要再次读取和分配数据（第一个示例第 12 行）？

Answer 1

您在第一个示例中看到的双重分配不是由于 memmap 行为；相反，这是由于 __getitem__ 是如何为 numpy 的 ndarray 类实现的。当使用列表（如第一个示例中）索引 ndarray 时，将从源数组中复制数据。当使用切片对象对其进行索引时，会在源数组中创建一个视图（不复制任何数据）。例如：

In [2]: x = np.arange(16).reshape((4,4))

In [3]: x
Out[3]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

In [4]: y = x[[0, 2], :]

In [5]: y[:, :] = 100

In [6]: x
Out[6]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

y 是来自x 的数据副本，因此更改y 对x 没有影响。现在通过切片索引数组：

In [7]: z = x[::2, :]

In [8]: z[:, :] = 100

In [9]: x
Out[9]: 
array([[100, 100, 100, 100],
       [  4,   5,   6,   7],
       [100, 100, 100, 100],
       [ 12,  13,  14,  15]])

关于您的第一个问题，我不知道有一种方法可以让您创建包含整个数组的 任意 切片，而无需将整个数组读入内存。您可能会考虑两个选项（除了您已经讨论过的 HDF5/PyTables 之类的东西）：

1. 如果您按顺序访问训练和测试集的元素（而不是将它们作为两个完整数组操作），您可以轻松编写一个小型包装类，其 __getitem__ 方法使用您的索引数组来自 memmap 的适当样本（即 training[i] 返回 big_mmap[training_ids[i]]）

2. 将您的数组拆分为两个单独的文件，其中包含专门的训练或测试值。然后你可以使用两个独立的 memmap 对象。