推薦系統(tǒng)中經(jīng)常需要處理類似user_id, item_id, rating這樣的數(shù)據(jù)，其實就是數(shù)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(shù)據(jù)保存在內(nèi)存中，不能很好的支持海量數(shù)據(jù)處理。
要支持data[i, ...]、data[..., j]的快速切片，需要i或者j的數(shù)據(jù)集中存儲；同時，為了保存海量的數(shù)據(jù)，也需要把數(shù)據(jù)的一部分放在硬盤上，用內(nèi)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(shù)據(jù)，對于某個i（比如9527），它的數(shù)據(jù)保存在dict['i9527']里面，同樣的，對于某個j（比如3306），它的全部數(shù)據(jù)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(nèi)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(nèi)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：
消耗1.4788秒，大概讀取一條數(shù)據(jù)1.5ms。
采用類Dict來存儲數(shù)據(jù)的另一個好處是你可以隨便用內(nèi)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。
新聞熱點
疑難解答
圖片精選
