Python（追加列表時出現內存錯誤）

Question

我正在尋找一種方法來修改此功能，以便將數據附加到列表中不會產生內存錯誤。

我有一個程序逐行讀取一個文件，並根據一些條件（該文件將有超過1000000行）將此文件中的數據寫入文本文件。我有追加幾個列表（它們很長）的函數，然後我將列表中的數據逐行寫入文本文件。

如果文件達到最大行數（1000000），我將它分割。 它工作得很好，但我需要下面的函數附加一個額外的列表（我修改了這個例子）和當我追加0到else語句列表0，它會產生一個內存錯誤。我使用的是64位操作系統，Windows 10（RAM 16GB）並使用Python 2.7（32位） - 但是分割文件的方法通常對我無效，所以我不知道是不是我更喜歡我只需通過修改循環即可解決問題。

謝謝你的任何建議！

# This function writes data to the lists based on the given conditions.* 

def get_new_list(workbook, list_1, list_2, list_equal_values): 


    worksheet1 = workbook.sheet_by_name('SomeWorksheet') 

    list_11 = [] 
    list_22 = [] 
    list_new_values = [] 

    # Get data from the worksheet and append to the lists. 
    for row in range(1, worksheet1.nrows): 
     value_11 = worksheet1.cell(row, 0).value 
     value_22 = worksheet1.cell(row, 1).value 
     new_value = worksheet1.cell(row, 10).value 

     list_11.append(value_11) 
     list_22.append(value_22) 
     list_new_values.append(new_value) 


    # Compare values from list_1, list_2 to values in list_11 and list_22. 
    for index in range(len(list_1)): 
     for i in range(len(list_11)): 
      if str(list_1[index]) == str(list_11[i]) \ 
       and str(list_2 [index]) == str(list_22[i]): 
       value = list_new_values[i] 
       list_equal_values.insert(index, value) 

      elif str(list_1[index]) == str(list_11[i]) \ 
        and str(list_2 [index]) != str(list_22[i]): 
          value = list_new_values[i] 
         list_equal_values (index, value) 

      **else: 
      # He is the problem, Memory Error, but I need to append 0 
      # if the first two conditions are not met** 
       list_equal_values.append(0) 

    return list_equal_values 
     # I empty the lists in case the file is split and new data is sent to this  function. 
    del list_11[:] 
    del list_22[:] 
    del list_new_values[:] 

Answer 1

問題不在於你的for-loops。這與你的陣列越來越大越來越大。嘗試刪除所有不必要的數組或附加內容，以提高內存效率。

如果這是不可能的，你可以嘗試將部分結果存儲在文件中，但這可能是混亂的。

如果你想要一個簡單的解決方案，我記得我以前有過類似的問題。經過一番研究，我發現如果我切換到Python 2.7（64位）......問題解決了！

希望它有幫助！我記得我花了很多時間弄清楚這一點，所以不要犯同樣的錯誤