Блог

Я использую реализацию KDTree от Scipy для чтения большого файла размером 300 МБ. Теперь, есть ли способ, которым я могу просто сохранить структуру данных на диск и загрузить ее снова, или я застрял с чтением необработанных точек из файла и созданием структуры данных каждый раз, когда я запускаю свою программу? Я создаю KDTree следующим образом:

 def buildKDTree(self):
        self.kdpoints = numpy.fromfile("All", sep=' ')
        self.kdpoints.shape = self.kdpoints.size / self.NDIM, NDIM
        self.kdtree = KDTree(self.kdpoints, leafsize = self.kdpoints.shape[0] 1)
        print "Preparing KDTree... Ready!"
  

Пожалуйста, есть предложения?

KDTree использует вложенные классы для определения типов своих узлов (innernode, leafnode). Pickle работает только с определениями классов на уровне модуля, поэтому вложенный класс отключает его:

 import cPickle

class Foo(object):
    class Bar(object):
        pass

obj = Foo.Bar()
print obj.__class__
cPickle.dumps(obj)

<class '__main__.Bar'>
cPickle.PicklingError: Can't pickle <class '__main__.Bar'>: attribute lookup __main__.Bar failed
  

Однако существует (хакерский) обходной путь путем простого исправления определений классов в scipy.spatial.kdtree области видимости модуля at, чтобы программа выбора могла их найти. Если весь ваш код, который считывает и записывает обработанные объекты KDTree, устанавливает эти исправления, этот взлом должен работать нормально:

 import cPickle
import numpy
from scipy.spatial import kdtree

# patch module-level attribute to enable pickle to work
kdtree.node = kdtree.KDTree.node
kdtree.leafnode = kdtree.KDTree.leafnode
kdtree.innernode = kdtree.KDTree.innernode

x, y = numpy.mgrid[0:5, 2:8]
t1 = kdtree.KDTree(zip(x.ravel(), y.ravel()))
r1 = t1.query([3.4, 4.1])
raw = cPickle.dumps(t1)

# read in the pickled tree
t2 = cPickle.loads(raw)
r2 = t2.query([3.4, 4.1])
print t1.tree.__class__
print repr(raw)[:70]
print t1.data[r1[1]], t2.data[r2[1]]
  

Вывод:

 <class 'scipy.spatial.kdtree.innernode'>
"ccopy_regn_reconstructornp1n(cscipy.spatial.kdtreenKDTreenp2nc_
[3 4] [3 4]