推薦系統(tǒng)中經常需要處理類似user_id, item_id, rating這樣的數據,其實就是數學里面的稀疏矩陣,scipy中提供了sparse模塊來解決這個問題,但scipy.sparse有很多問題不太合用:
1、不能很好的同時支持data[i, ...]、data[..., j]、data[i, j]快速切片;
2、由于數據保存在內存中,不能很好的支持海量數據處理。
要支持data[i, ...]、data[..., j]的快速切片,需要i或者j的數據集中存儲;同時,為了保存海量的數據,也需要把數據的一部分放在硬盤上,用內存做buffer。這里的解決方案比較簡單,用一個類Dict的東西來存儲數據,對于某個i(比如9527),它的數據保存在dict['i9527']里面,同樣的,對于某個j(比如3306),它的全部數據保存在dict['j3306']里面,需要取出data[9527, ...]的時候,只要取出dict['i9527']即可,dict['i9527']原本是一個dict對象,儲存某個j對應的值,為了節(jié)省內存空間,我們把這個dict以二進制字符串形式存儲,直接上代碼:
'''
Sparse Matrix
'''
import struct
import numpy as np
import bsddb
from cStringIO import StringIO
?
class DictMatrix():
??? def __init__(self, container = {}, dft = 0.0):
??????? self._data? = container
??????? self._dft?? = dft
??????? self._nums? = 0
?
??? def __setitem__(self, index, value):
??????? try:
??????????? i, j = index
??????? except:
??????????? raise IndexError('invalid index')
?
??????? ik = ('i%d' % i)
??????? # 為了節(jié)省內存,我們把j, value打包成字二進制字符串
??????? ib = struct.pack('if', j, value)
??????? jk = ('j%d' % j)
??????? jb = struct.pack('if', i, value)
?
??????? try:
??????????? self._data[ik] += ib
??????? except:
??????????? self._data[ik] = ib
??????? try:
??????????? self._data[jk] += jb
??????? except:
??????????? self._data[jk] = jb
??????? self._nums += 1
?
??? def __getitem__(self, index):
??????? try:
??????????? i, j = index
??????? except:
??????????? raise IndexError('invalid index')
?
??????? if (isinstance(i, int)):
??????????? ik = ('i%d' % i)
??????????? if not self._data.has_key(ik): return self._dft
??????????? ret = dict(np.fromstring(self._data[ik], dtype = 'i4,f4'))
??????????? if (isinstance(j, int)): return ret.get(j, self._dft)
?
??????? if (isinstance(j, int)):
??????????? jk = ('j%d' % j)
??????????? if not self._data.has_key(jk): return self._dft
??????????? ret = dict(np.fromstring(self._data[jk], dtype = 'i4,f4'))
?
??????? return ret
?
??? def __len__(self):
??????? return self._nums
?
??? def __iter__(
測試代碼:
import timeit
timeit.Timer('foo = __main__.data[9527, ...]', 'import __main__').timeit(number = 1000)
消耗1.4788秒,大概讀取一條數據1.5ms。
采用類Dict來存儲數據的另一個好處是你可以隨便用內存Dict或者其他任何形式的DBM,甚至傳說中的Tokyo Cabinet….
好了,碼完收工。
更多文章、技術交流、商務合作、聯(lián)系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯(lián)系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
