解决Python memory error的问题（四种解决方案）_memoryerror_小白白白又白cdllp的博客

link之家
链接快照平台
输入网页链接，自动生成快照
标签化管理网页链接
一、逐行读取

如果你用pd.read_csv来读文件，会一次性把数据都读到内存里来，导致内存爆掉，那么一个想法就是一行一行地读它，代码如下：
data = []
with open(path, 'r',encoding='gbk',errors='ignore') as f:
    for line in f:
        data.append(line.split(','))
data = pd.DataFrame(data[0:100])
这就是先用with open把csv的每一行读成一个字符串，然后因为csv都是靠逗号分隔符来分割每列的数据的，那么通过逗号分割就可以把这些列都分离开了，然后把每一行的list都放到一个list中，形成二维数组，再转换成DataFrame。 
这个方法有一些问题，首先读进来之后索引和列名都需要重新调整，其次很多数字的类型都发生了变化，变成了字符串，最后是最后一列会把换行符包含进去，需要用replace替换掉。 
不知道为什么，用了这个操作之后，还是出现了Memory error的问题。基于这些缺点以及遗留问题，考虑第二种解决方案。 
二、巧用pandas中read_csv的块读取功能
 
pandas设计时应该是早就考虑到了这些可能存在的问题，所以在read功能中设计了块读取的功能，也就是不会一次性把所有的数据都放到内存中来，而是分块读到内存中，最后再将块合并到一起，形成一个完整的DataFrame。 
f = open(path)
data = pd.read_csv(path, sep=',',engine = 'python',iterator=True)
loop = True
chunkSize = 1000
chunks = []
index=0
while loop:
        print(index)
        chunk = data.get_chunk(chunkSize)
        chunks.append(chunk)
        index+=1
    except StopIteration:
        loop = False
        print("Iteration is stopped.")
print('开始合并')
data = pd.concat(chunks, ignore_index= True)
以上代码规定用迭代器分块读取，并规定了每一块的大小，即chunkSize，这是指定每个块包含的行数。 
这个方法能够保持数据的类型，也不需要自己费心思去调整列名和index，比较方便。但不幸的是，我的还是出现了这个问题，如果你的用了这种方法还是出现memory error，你可以继续往下看。 
三、扩充虚拟内存
 
我在运行代码的过程中发现，出现memory error错误的时候，其实我的内存只用到了40+%，所以其实不太可能会出现这个错误啊，所以我查了下，发现有说是内存被限制了，考虑关掉一些可能限制内存的软件啦，扩大虚拟内存啦，这些的。 
扩大虚拟内存的方法（我的系统是win8，不过应该都大同小异）：
 1、打开 控制面板；
 2、找到 系统 这一项；
 3、找到 高级系统设置 这一项；
 4、点击 性能 模块的 设置 按钮；
 5、选择 高级面板，在 虚拟内存 模块点击更改；
 6、记得 不要 选中“自动管理所有驱动器的分页文件大小”，然后选择一个驱动器，也就是一个盘，选中自定义大小，手动输入初始大小和最大值，当然，最好不要太大，更改之后能在查看盘的使用情况，不要丢掉太多空间。
 7、都设置好之后，记得点击 “设置”， 然后再确定，否则无效，最后 重启电脑 就可以了。 
悲剧的是我在设置完这一步之后还是出现了内存错误，到这一步就没有问题了的朋友就可以不用看下面一种解法了，如果还是有问题，可以接下来看。 
四、更新Pandas和Numpy库为64位
 
如果你的Python用的是32位的，那么你的pandas和Numpy也只能是32位的，那么当你的内存使用超过2G时，就会自动终止内存。发现这个错误也是因为我察觉到报内存溢出的错误的时候，我的内存明明显示只用了40+%，然后错误提示是在pandas的core中，所以查了一下，发现原来还有这么个大坑。 
解决方法就是：先检查一下你的python是多少位的，在shell中输入python，查看位数，如果是32位，那么就重装Python，装一个64位的，但同时你的库也需要重新装了。不过我执行完这一步之后，问题就完美解决了！ 
五、如果还有内存溢出的错
 
以上四种方法，按顺序逐一使用，到哪一步错误消失了就可以停止啦。当然了，如果你的内存显示使用达到了99%+，那么就是内存真的不够用，不是别的问题，如果不是数据量特别大，那就是写代码的时候的习惯问题，虽然Python有垃圾回收机制，但是有时候可能来不及回收，尤其是在循环迭代这些过程中，往往会循环完毕了才来得及收拾垃圾，所以记得及时把不要的变量del掉，或者用gc这个垃圾回收库，这样内存自然就一直清清爽爽啦~
python 32bit 最大只能使用 2G 内存，坑爹之处，超过 2G 报错MemoryError。
而 64bit python则无此限制，所以建议使用 64bit python。
可能存在的问题：以前 numpy、scipy 官方的库只支持 32bit python，现在应该发布了 64bit 对应版本。
以上这篇解决python报错MemoryError的问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持软件开发网。
                        您可能感兴趣的文章:详解解决Python memory error的问题（四种解决方案）
                                    最近刚刚学习Python，用的软件是PyCharm。在手打了一个基于物品的推荐算法，并且跑一个20000+的数据集时，出现了Memory Error错误。一开始以为是代码问题，后面才发现自己的内存已经到达了80%+了。查阅相关资料，这个大哥写的很不错，大家可以去看看。
l解决Python memory error的问题（四种解决方案）.
这是我自己出现的问题
我分析了一下出现这个错误的原因：
1....
MemoryError：涉及到了读取、保存、写入，内存不够用了
解决方法：
检查安装64位python，64位python内的pandas和Numpy都是64位，内存更大。
如果在虚拟机中运行：设置虚拟机内存大小即可（我使用的这种方法）
再次运行，不再报错：
                                    昨天在用用Pycharm读取一个200+M的CSV的过程中，竟然出现了Memory Error！简直让我怀疑自己买了个假电脑，毕竟是8G内存i7处理器，一度怀疑自己装了假的内存条。。。。下面说一下几个解题步骤。。。。一般就是用下面这些方法了，按顺序试试。一、逐行读取如果你用pd.read_csv来读文件，会一次性把数据都读到内存里来，导致内存爆掉，那么一个想法就是一行一行地读它，代码如下：data...
                                    因为要读取从大众点评爬下来的一些数据，所以在文件有点大的情况下就造成jupyter notebook在读取的时候直接卡死，出现memory error的情况。
那么如何解决这样的问题呢？掌柜经过一番探索，终于找到解决的办法，先写上解决的代码：
with open('你要读取的文件', 'r',encoding='utf-8') as f:
    for line in f:
        re...
                                    Python 32bit 最大只能使用2G内存，坑爹之处，超过2G报错MemoryError。如果遇到这种问题，可以先检查自己安装的Python是32bit，还是64bit。而64bit Python则无此限制，所以建议使用 64bit Python。今天在处理一个2G的大数据文本文件时，出现了MemoryError的错误。
                                    python处理大训练集过程中经常会遇到的Memory Error问题
这里看了几位博主的解决方案进行了整理，感谢分享！
http://chenqx.github.io/2014/10/29/Python-fastest-way-to-read-a-large-file/
https://blog.csdn.net/weixin_39750084/article/details/81501395
                                    问题描述
在之前的一篇博客后续中，我记录了一个有关MemoryError问题，当时仅是根据自己实际需求简单的叙述了一下解决方式，最近又遇到了这个头疼的问题。
具体异常如下，其实就是创建的np矩阵太大了，内存不够使！这太可怕了，实验室工作站32G内存，你告诉我不够用！我真的找不到目前实验室更好的设备了！！！
几种解决方式
众多大哥给出的解决方式如下：
（1）既然是内存不够使，那就换个更大内存配置的电脑吧（这TM还用你说！）
（2）numpy 在定义数组的时候，采用更低的精度。从float64降低为float
1.如果python是32位的，装一个64位的python。
2.64位的python仍然memory error，扩大虚拟内存。
扩大虚拟内存后，基本能解决问题。
                                    1、打开pycharm安装目录D:\PyCharm Community Edition 2019.2\bin，找到pycharm.exe.vmoptions文件，编辑
-Xms128m
-Xmx768m
-XX:ReservedCodeCacheSize=240m
-XX:+UseConcMarkSweepGC
-XX:SoftRefLRUPolicyMSPerMB=50
-XX:CICompilerCount=2
-Dsun.io.useCanonPrefixCache=false