推荐系统中经常需要处理类似user_id, item_id, rating这样的数据，其实就是数学里面的稀疏矩阵，scipy中提供了sparse模块来解决这个问题，但scipy.sparse有很多问题不太合用：1、不能很好的同时支持data[i, …]、data[…, j]、data[i, j]快速切片；2、由于数据保存在内存中，不能很好的支持海量数据处理。
要支持data[i, …]、data[…, j]的快速切片，需要i或者j的数据集中存储；同时，为了保存海量的数据，也需要把数据的一部分放在硬盘上，用内存做buffer。这里的解决方案比较简单，用一个类Dict的东西来存储数据，对于某个i（比如9527），它的数据保存在dict[‘i9527’]里面，同样的，对于某个j（比如3306），它的全部数据保存在dict[‘j3306’]里面，需要取出data[9527, …]的时候，只要取出dict[‘i9527’]即可，dict[‘i9527’]原本是一个dict对象，储存某个j对应的值，为了节省内存空间，我们把这个dict以二进制字符串形式存储，直接上代码：
'''
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'), ',')测试4500W条rating数据（整形,整型,浮点格式），922MB文本文件导入，采用内存dict储存的话，12分钟构建完毕，消耗内存1.2G，采用示例代码中的bdb存储，20分钟构建完毕，占用内存300～400MB左右，比cachesize大不了多少，数据读取测试：
import timeit
timeit.Timer('foo = __main__.data[9527, ...]', 'import __main__').timeit(number = 1000)消耗1.4788秒，大概读取一条数据1.5ms。
采用类Dict来存储数据的另一个好处是你可以随便用内存Dict或者其他任何形式的DBM，甚至传说中的Tokyo Cabinet….
好的，码完收工。
