HDFStore.select 中的迭代器和块大小："Memory error"

Question

据我了解，HDFStore.select 是用于从大型数据集中进行选择的工具。但是，当尝试使用 chunksize 和 iterator=True 遍历块时，一旦基础数据集足够大，迭代器本身就会变成一个非常大的对象，我不明白 为什么 迭代器对象很大，它包含了什么样的信息，非要变得这么大。

我有一个非常大的 HDFStore 结构（70 亿行，磁盘上 420 GB），我想按块迭代：

iterator = HDFStore.select('df', iterator=True, chunksize=chunksize)

for i, chunk in enumerate(iterator):
    # some code to apply to each chunk

当我运行此代码用于相对较小的文件时 - 一切正常。但是，当我尝试将它应用于 70 亿行数据库时，计算迭代器时得到 Memory Error。我有 32 GB 内存。

我想要一个生成器来随时随地创建块，它不会在 RAM 中存储太多内容，例如：

iteratorGenerator = lambda: HDFStore.select('df', iterator=True, chunksize=chunksize)

for i, chunk in enumerate(iteratorGenerator):
    # some code to apply to each chunk

但 iteratorGenerator 不可迭代，所以这也不起作用。

我可能会在 start 和 stop 行上循环 HDFStore.select，但我认为应该有一种更优雅的迭代方式。

Answer 1

我对一个（仅）30GB 的文件有同样的问题，显然你可以通过强制垃圾收集器完成它的工作来解决它......收集！ :P PS：此外，您不需要 lambda，select 调用将 return 一个迭代器，只需循环它，就像您在第一个代码块中所做的那样。

with pd.HDFStore(file_path, mode='a') as store:
    # All you need is the chunksize
    # not the iterator=True
    iterator = store.select('df', chunksize=chunksize)

    for i, chunk in enumerate(iterator):

        # some code to apply to each chunk

        # magic line, that solved my memory problem
        # You also need "import gc" for this
        gc.collect()

HDFStore.select 中的迭代器和块大小："Memory error"

Iterator and chunksize in HDFStore.select: "Memory error"

python

pandas

memory

iterator

hdfstore