- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
假设我有一个 531 gz 的 gzip 文本文件,其中正好有 512 548 457 601 475 行被 '\n' 分割,并且想从中随机获取一行而不进行文件分割。 (别担心,它并没有那么大;只是想说明它是一个巨大的文件,我知道它有多少行。)
我通常如何处理较小的压缩文件:
import fileinput
import gzip
import random
list = []
for line in fileinput.input(file, openhook=gzip.open):
list.append(line)
listLength = len(list)
randomListLineOne = line[random.randint(0, listLength)]
randomListLineTwo = line[random.randint(0, listLength)]
...
我在该主题上的发现:
How do I read a random line from one file in python?
import random
def random_line(afile):
line = next(afile)
for num, aline in enumerate(afile):
if random.randrange(num + 2): continue
line = aline
return line
Waterman的《Reservoir Algorithm》由Alex Martelli翻译自Knuth的《The Art of Computer Programming》
你能为压缩文件改编这个吗?我尝试将我的压缩文件设置为一个文件,但这没有用。还是有另一种(更简单的)方法来实现这一目标?
最佳答案
作为 reading the file line by line* 的替代品
(*使用David Robinson的方法将gzip文件作为标准文件读取):
如果所有行的大小大致相同,您可以跳转到文件中的随机位置,逐个字符回溯,直到到达换行符并从该点读取整行。如果线条的大小完全相同,则此方法是准确的。
但是,如果线条的大小不同,但您知道长度为 x
的线条的分布 - 您可以执行上述方法,但拒绝过多的 x
的概率为 P(x)
,这样在文件中抓取随机行的概率是恒定的。
示例:
为简单起见,假设您有一个 5 行文件,长度为 X={2,3,5,5,5}
。在文件中选择一个随机点,您有 10% (2/(2+3+5+5+5)) 的机会获得 x1
,15% 的机会获得 x2
,x3
的几率为 50%。你想要的分别是 20%/20%/60%
概率。我们各自的权重是 W=(3/2, 1, 6/5)
,这些是满足 x1*w1 = 20%
的数字, x2*w2 = 20%
,x3*w3=60%
。归一化因子是这些权重的总和 Z = w1+w2+w3 = 37/10
。从这里我们知道每条线的概率:
P(w1) = w1/Z = 30/68
P(w2) = w2/Z = 20/68
P(w3) = w3/Z = 18/68
请注意 P(w1)+P(w2)+3*P(w3)=1
,这是应该的。
为您的算法在文件中选择一个随机点。如果相关行的长度为 2,则在 q=[0,1]
之间选择一个随机数。如果 q>(30/68)
拒绝该点并重试。如果它小于停止并返回该行。
你什么时候知道X(w)
?
我承认知道行长度的确切分布可能看起来有限制,但是有许多程序生成的文件(日志文件、硬件数据读出等),其中的分布是确切已知的。此外,如果分布仅是近似已知的,我们可以使用上述方法确定样本拒绝标准作为最佳猜测,然后从那里开始。
蒙特卡洛?
这可能不是最好的方法(谁能与 Knuth 竞争?),但它可能会提供一些以完全不同的方式解决问题的见解。对于那些不熟悉的人,上面的方法是一种重要性采样的形式,Monte Carlo方法。
如何在gzip文件中寻找?
根据 OP 的要求,这里是关于 seek
Python 文件对象的入门读物。
import gzip, random
# Helper function to create some test data
def line(char,n):
return ''.join([("%s"%char)*n,"\n"])
# Create the test data as in the example
filename = "test.zip"
FOUT = gzip.open(filename,'wb')
FOUT.write(line('a',2))
FOUT.write(line('b',3))
FOUT.write(line('c',5))
FOUT.write(line('d',5))
FOUT.write(line('e',5))
FOUT.close()
# Since we know the distribution, we know the length
length = 2+3+3*5+5 # 5 newlines
# Print 7 random points in the file
FIN = gzip.open(filename,'rb')
for n in xrange(7):
FIN.seek(random.randrange(length),0)
print "Position %3i, char: %s" %(FIN.tell(), [FIN.read(1)])
样本运行的输出为:
Position 8, char: ['c']
Position 23, char: ['e']
Position 15, char: ['d']
Position 10, char: ['c']
Position 4, char: ['b']
Position 16, char: ['d']
Position 2, char: ['\n']
关于python - 如何从python中的gzip压缩文件中获取随机行而不将其读入内存,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9317281/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!