- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在研究一个问题,我必须找出一个数字是否在某个范围内。但是,由于我正在处理的文件有数十万行,所以问题很复杂。
下面我尽量用通俗易懂的语言来解释这个问题。
这里是我的输入文件的简要描述:
文件 Ranges.txt 有一些范围,其最小值和最大值用制表符分隔。
10 20
30 40
60 70
这可能有大约 10,000,000 行带有范围的行。
注意:范围从不重叠。
文件 Numbers.txt 包含一个数字列表以及与每个数字关联的一些值。
12 0.34
22 0.14
34 0.79
37 0.87
等等。同样,有成千上万行带有数字及其相关值的行。
我想做的是从 Numbers.txt 中取出每个数字,并检查它是否在 Ranges.txt 中的任何范围内。
对于范围内的所有此类数字,我必须得到它们相关值的平均值(即每个范围的平均值)。
例如。在上面的例子中 Numbers.txt 中,有两个数字 34 和 37 在 Ranges.txt 中落在 30-40 范围内,所以对于 30-40 范围我必须计算 34 和 37 的相关值的平均值。(即 0.79 和 0.87 的平均值),即 0.82
我的最终输出文件应该是 Ranges.txt,但包含落在每个范围内的所有数字的相关值的平均值。像这样的东西:
输出.txt
10 20 <mean>
30 40 0.82
60 70 <mean>
等等。
对于如何用 Python 有效地编写它的任何帮助和想法,我们将不胜感激。
最佳答案
显然,您需要针对 Ranges.txt 中的每一行运行 Numbers.txt 中的每一行。
您可以只遍历 Numbers.txt,然后对每一行遍历 Ranges.txt。但这需要很长时间,需要读取整个 Ranges.txt 文件数百万次。
您可以将它们都读入内存,但这会占用大量存储空间,这意味着在您完成对这两个文件的读取和预处理之前,您将无法进行任何处理。
因此,您要做的是将 Ranges.txt 读入内存一次并将其存储为例如整数对的列表,但懒惰地读取 Numbers.txt,遍历每个数字的列表。
这种事情经常出现。一般来说,你希望较大的集合进入外循环,并使其尽可能惰性,而较小的集合进入内循环,并进行预处理以使其尽可能快。但是,如果可以更有效地预处理更大的集合(并且您有足够的内存来存储它!),则相反。
说到预处理,您可以做的比仅仅读入成对的整数列表要好得多。如果您对 Ranges.txt 进行排序,您可以找到最近的范围,而无需通过平分然后检查(18 步),而不是详尽地检查每个范围(100000 步)。
这对标准库来说有点麻烦,因为在使用 bisect
时很容易出现差一错误。 ,但是有很多 ActiveState 方法可以让它更容易(包括一个 linked from the official docs ),更不用说像 blist
这样的第三方模块了。或 bintrees
在简单的 OO 界面中为您提供排序的集合。
所以,像这样的伪代码:
with open('ranges.txt') as f:
ranges = sorted([map(int, line.split()) for line in f])
range_values = {}
with open('numbers.txt') as f:
rows = (map(int, line.split()) for line in f)
for number, value in rows:
use the sorted ranges to find the appropriate range (if any)
range_values.setdefault(range, []).append(value)
with open('output.txt') as f:
for r, values in range_values.items():
mean = sum(values) / len(values)
f.write('{} {} {}\n'.format(r[0], r[1], mean))
顺便说一下,如果解析比在每一行调用 split
更复杂,我建议使用 csv
模块……但是它看起来这在这里不会成为问题。
如果您不能将 Ranges.txt 放入内存,但可以将 Numbers.txt 放入内存怎么办?那么,您可以对其进行排序,然后遍历 Ranges.txt,找到排序数字中的所有匹配项,然后写出该范围的结果。
这有点复杂,因为你必须 bisect_left 和 bisect_right 并迭代它们之间的所有内容。但这是它变得更难的唯一方式。 (在这里,第三方类会提供更多帮助。例如,使用 bintrees.FastRBTree
作为您的排序集合,它只是 sorted_number_tree[low:high]
。 )
如果范围可以重叠,您需要更聪明一些 — 您必须找到最接近的范围而不越过起点,找到最近的范围而不越过终点,并检查两者之间的所有内容。但是这里的主要技巧与上一个版本使用的技巧完全相同。唯一的另一个技巧是保留两份范围副本,一份按起始值排序,一份按末尾排序,并且您需要将其中一份映射到另一份中的索引,而不仅仅是一个普通列表。
关于python - 处理两个大文件的高效 Python 方法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/18993956/
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!