0
나는 1,000 파일의 전화 번호부가있다. 각 파일은 여러 행을 가지며, 각 행은 4 - 8 바이트의 ngram입니다. 나는 각 파일을 헤더 행으로 구별하기 위해 모든 파일을 구문 분석하려고하는데, 각 파일에 대해 파일 내에서 발생하는 해당 ngram 시퀀스의 빈도를 가진 행을 작성하려고합니다.Pythonic 방식으로 2 억 개의 엘리먼트 데이터 세트를 처리 할 수 있습니까?
다음 코드는 헤더를 수집했지만 헤더를 CSV 파일에 쓰려고 할 때 메모리 오류가 발생했습니다. 30GB의 RAM이있는 Amazon EC2 인스턴스에서 실행했습니다. 누구나 내가 모르는 최적화에 대한 권장 사항을 제공 할 수 있습니까?
#Note: A combination of a list and a set is used to maintain order of metadata
#but still get performance since non-meta headers do not need to maintain order
header_list = []
header_set = set()
header_list.extend(META_LIST)
for ngram_dir in NGRAM_DIRS:
ngram_files = os.listdir(ngram_dir)
for ngram_file in ngram_files:
with open(ngram_dir+ngram_file, 'r') as file:
for line in file:
if not '.' in line and line.rstrip('\n') not in IGNORE_LIST:
header_set.add(line.rstrip('\n'))
header_list.extend(header_set)#MEMORY ERROR OCCURRED HERE
outfile = open(MODEL_DIR+MODEL_FILE_NAME, 'w')
csvwriter = csv.writer(outfile)
csvwriter.writerow(header_list)
#Convert ngram representations to vector model of frequencies
for ngram_dir in NGRAM_DIRS:
ngram_files = os.listdir(ngram_dir)
for ngram_file in ngram_files:
with open(ngram_dir+ngram_file, 'r') as file:
write_list = []
linecount = 0
header_dict = collections.OrderedDict.fromkeys(header_set, 0)
while linecount < META_FIELDS: #META_FIELDS = 3
line = file.readline()
write_list.append(line.rstrip('\n'))
linecount += 1
file_counter = collections.Counter(line.rstrip('\n') for line in file)
header_dict.update(file_counter)
for value in header_dict.itervalues():
write_list.append(value)
csvwriter.writerow(write_list)
outfile.close()