问题描述
我有一个包含文本数据和数字特征的数据框。我已经对文本数据进行了矢量化处理，并计划将其与其余数字数据连接起来，以便在机器学习算法上运行。
我已经使用TIDF对文本数据进行了矢量化处理，如下所示：
from sklearn.feature_extraction.text import TfidfVectorizer
vect = TfidfVectorizer(max_features=10000)
text_vect = vect.fit_transform(myDataframe['text_column'])
text_vect_df = pd.DataFrame.sparse.from_spmatrix(text_vect)
text_vect_df.shape：250000 x 9300
我已将text_vect_df转换为csv文件，并使用vaex将其转换为hdf5，如下所示。 Vaex必须与hdf5格式兼容。
text_vaex_hdf5 = vaex.from_csv('text_vectorized.csv',convert=True,chunk_size=5_000_000)
text_vectorized.csv是4GB。vaex.from_csv()占用了太多时间，并且内存崩溃了（8GB RAM）。
我在Jupyterhub（带有外部GPU）中尝试使用text_vect_df.shape 200000 x 9300.的形状，它分块下载，每个块有7GB的空间，读取该文件会花费太多时间。
text_vectorized.csv_chunk0.hdf5
7.51 GB
text_vectorized.csv_chunk1.hdf5
7.51 GB
text_vectorized.csv_chunk2.hdf5
2.5 GB
问题1：hdf5文件如何大于原始的csv5文件？不应该更小吗？ 问题2：如果较小的大小失败/崩溃，如何存储950000 x 10000大小的数据帧？
我了解了vaex，它看起来真的很酷，因为计算在几秒钟内发生。我很乐意继续进行这项工作，但是遇到了麻烦。我已经尝试过了。不像Vaex那样酷。
已经尝试过的解决方案：
- Pandas的to_hdf不应用于存储稀疏矩阵，因为https://vaex.readthedocs.io/en/latest/faq.html
当使用pandas .to_hdf方法时，输出的HDF5文件具有基于行的格式。另一方面，Vaex希望使用基于列的HDF5文件
- 没有dask或vaex，运行KNN，SVM或任何ML算法时内存就会崩溃。
- 苦苦尝试，没有运气，工作人员在客户端本地群集中被杀死。
- 有了Vaex，无法前进
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）