一種比較省內存的稀疏矩陣Python存儲方案

推薦系統中經常需要處理類似user_id, item_id, rating這樣的數據，其實就是數學裡面的稀疏矩陣，scipy中提供了sparse模組來解決這個問題，但scipy.sparse有很多問題不太合用：1、不能很好的同時支援data[i, ...]、data[..., j]、data[i, j]快速切片；2、由於資料保存在記憶體中，無法很好的支援海量資料處理。

要支援data[i, ...]、data[..., j]的快速切片，需要i或j的資料集中儲存；同時，為了保存海量的數據，也需要把資料的一部分放在硬碟上，用記憶體做buffer。這裡的解決方案比較簡單，用一個類Dict的東西來儲存數據，對於某個i（例如9527），它的數據保存在dict['i9527']裡面，同樣的，對於某個j（比如3306） ，它的全部資料都保存在dict['j3306']裡面，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，為了節省內存空間，我們把這個dict以二進製字符串形式存儲，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)
        # 为了节省内存，我们把j, value打包成字二进制字符串
        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__(self):
        pass
  
    '''
    从文件中生成matrix
    考虑到dbm读写的性能不如内存，我们做了一些缓存，每1000W次批量写入一次
    考虑到字符串拼接性能不太好，我们直接用StringIO来做拼接
    '''
    def from_file(self, fp, sep = 't'):
        cnt = 0
        cache = {}
        for l in fp:
            if 10000000 == cnt:
                self._flush(cache)
                cnt = 0
                cache = {}
            i, j, v = [float(i) for i in l.split(sep)]
  
            ik = ('i%d' % i)
            ib = struct.pack('if', j, v)
            jk = ('j%d' % j)
            jb = struct.pack('if', i, v)
  
            try:
                cache[ik].write(ib)
            except:
                cache[ik] = StringIO()
                cache[ik].write(ib)
  
            try:
                cache[jk].write(jb)
            except:
                cache[jk] = StringIO()
                cache[jk].write(jb)
  
            cnt += 1
            self._nums += 1
  
        self._flush(cache)
        return self._nums
  
    def _flush(self, cache):
        for k,v in cache.items():
            v.seek(0)
            s = v.read()
            try:
                self._data[k] += s
            except:
                self._data[k] = s
  
if __name__ == '__main__':
    db = bsddb.btopen(None, cachesize = 268435456)
    data = DictMatrix(db)
    data.from_file(open('/path/to/log.txt', 'r'), ',')

測試4500W條rating數據（整形,整型,浮點格式），922MB文本檔導入，採用內存dict儲存的話，12分鐘構建完畢，消耗內存1.2G，採用示例代碼中的bdb存儲，20分鐘構建完畢，佔用內存300～400MB左右，比cachesize大不了多少，數據讀chesize大不了多少，數據讀chesize大不了多少，數據讀取測試：

import timeit
timeit.Timer('foo = __main__.data[9527, ...]', 'import __main__').timeit(number = 1000)

消耗1.4788秒，大概讀取一條資料1.5ms。

採用類Dict來儲存資料的另一個好處是你可以隨便用記憶體Dict或其他任何形式的DBM，甚至傳說中的Tokyo Cabinet….