大数据增量PCA

Question

我只是尝试使用sklearn.decomposition中的IncrementalPCA，但它像以前的PCA和RandomizedPCA一样引发了MemoryError。我的问题是，我要加载的矩阵太大，无法放入RAM。现在，它以形状〜（1000000，1000）的数据集形式存储在hdf5数据库中，因此我有1.000.000.000
float32值。我以为IncrementalPCA可以分批加载数据，但是显然它试图加载整个数据集，这无济于事。该库应如何使用？hdf5格式有问题吗？

from sklearn.decomposition import IncrementalPCA
import h5py

db = h5py.File("db.h5","r")
data = db["data"]
IncrementalPCA(n_components=10, batch_size=1).fit(data)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/sklearn/decomposition/incremental_pca.py", line 165, in fit
    X = check_array(X, dtype=np.float)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/sklearn/utils/validation.py", line 337, in check_array
    array = np.atleast_2d(array)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/numpy/core/shape_base.py", line 99, in atleast_2d
    ary = asanyarray(ary)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/numpy/core/numeric.py", line 514, in asanyarray
    return array(a, dtype, copy=False, order=order, subok=True)
  File "h5py/_objects.pyx", line 54, in h5py._objects.with_phil.wrapper (-------src-dir-------/h5py/_objects.c:2458)
  File "h5py/_objects.pyx", line 55, in h5py._objects.with_phil.wrapper (-------src-dir-------/h5py/_objects.c:2415)
  File "/software/anaconda/2.3.0/lib/python2.7/site-packages/h5py/_hl/dataset.py", line 640, in __array__
    arr = numpy.empty(self.shape, dtype=self.dtype if dtype is None else dtype)
MemoryError

感谢帮助

Answer 1

您的程序可能无法尝试将整个数据集加载到RAM中。每个float32 32×1,000,000×1000 32位为3.7 GiB。在只有4 GiB
RAM的机器上，这可能是个问题。要检查实际上是否是问题，请尝试单独创建一个具有此大小的数组：

>>> import numpy as np
>>> np.zeros((1000000, 1000), dtype=np.float32)

如果看到MemoryError，则可能需要更多RAM，或者需要一次处理一个数据块。

对于h5py数据集，我们应该避免将整个数据集传递给我们的方法，而应传递数据集的切片。一次一个。

由于我没有您的数据，因此让我从创建相同大小的随机数据集开始：

import h5py
import numpy as np
h5 = h5py.File('rand-1Mx1K.h5', 'w')
h5.create_dataset('data', shape=(1000000,1000), dtype=np.float32)
for i in range(1000):
    h5['data'][i*1000:(i+1)*1000] = np.random.rand(1000, 1000)
h5.close()

它会创建一个漂亮的3.8 GiB文件。

现在，如果我们在Linux中，我们可以限制程序可以使用多少内存：

$ bash
$ ulimit -m $((1024*1024*2))
$ ulimit -m
2097152

现在，如果我们尝试运行您的代码，我们将得到MemoryError。（按Ctrl-D退出新的bash会话并稍后重新设置限制）

让我们尝试解决问题。我们将创建一个IncrementalPCA对象，并将.partial_fit()多次调用其方法，每次都提供数据集的不同部分。

import h5py
import numpy as np
from sklearn.decomposition import IncrementalPCA

h5 = h5py.File('rand-1Mx1K.h5', 'r')
data = h5['data'] # it's ok, the dataset is not fetched to memory yet

n = data.shape[0] # how many rows we have in the dataset
chunk_size = 1000 # how many rows we feed to IPCA at a time, the divisor of n
ipca = IncrementalPCA(n_components=10, batch_size=16)

for i in range(0, n//chunk_size):
    ipca.partial_fit(data[i*chunk_size : (i+1)*chunk_size])

它似乎对我有用，如果我查看top报告，则内存分配保持在200M以下。