Python - 处理行中不均匀的列

Question

我正在处理包含数千行的数据，但列不均匀，如下所示:

AB  12   43   54

DM  33   41   45   56   33   77  88

MO  88   55   66   32   34 

KL  10   90   87   47   23  48  56  12

首先，我想读取列表或数组中的数据，然后找出最长行的长度。
然后，我将向短行添加零，使它们等于最长的行，以便我可以将它们作为二维数组进行迭代。

我尝试过其他几个类似的问题，但无法解决问题。

我相信Python中有一种方法可以做到这一点。有人可以帮我吗？

Answer 1

我没有看到任何更简单的方法来计算最大行长度，而是通过一次并找到它。然后，我们在第二遍中构建二维数组。像这样的东西:

from __future__ import print_function
import numpy as np
from itertools import chain

data = '''AB 12 43 54
DM 33 41 45 56 33 77 88
MO 88 55 66 32 34
KL 10 90 87 47 23 48 56 12'''

max_row_len = max(len(line.split()) for line in data.splitlines())

def padded_lines():
    for uneven_line in data.splitlines():
        line = uneven_line.split()
        line += ['0']*(max_row_len - len(line))
        yield line

# I will get back to the line below shortly, it unnecessarily creates the array
# twice in memory:
array = np.array(list(chain.from_iterable(padded_lines())), np.dtype(object))

array.shape = (-1, max_row_len)

print(array)

打印:

[['AB' '12' '43' '54' '0' '0' '0' '0' '0']
 ['DM' '33' '41' '45' '56' '33' '77' '88' '0']
 ['MO' '88' '55' '66' '32' '34' '0' '0' '0']
 ['KL' '10' '90' '87' '47' '23' '48' '56' '12']]

上面的代码在内存中创建了两次数组，因此效率很低。我会回过头来说；我想我可以解决这个问题。

但是，numpy 数组应该是同构的。您希望将字符串(第一列)和整数(所有其他列)放入同一个二维数组中。 我仍然认为您走错了路，应该重新考虑问题并选择其他数据结构或以不同的方式组织数据。我无法帮助您，因为我不知道您想如何使用这些数据。

(我很快就会回到数组创建两次的问题。)

<小时/>

正如所 promise 的，这是效率问题的解决方案。请注意，我担心的是内存消耗。

    def main():

        with open('/tmp/input.txt') as f:
            max_row_len = max(len(line.split()) for line in f)

        with open('/tmp/input.txt') as f:
            str_len_max = len(max(chain.from_iterable(line.split() for line in f), key=len))

        def padded_lines():
            with open('/tmp/input.txt') as f:
                for uneven_line in f:
                    line = uneven_line.split()
                    line += ['0']*(max_row_len - len(line))
                    yield line

        fmt = '|S%d' % str_len_max
        array = np.fromiter(chain.from_iterable(padded_lines()), np.dtype(fmt))

这段代码可以做得更好，但我会把它留给你。

使用 memory_profiler 在随机生成的包含 1000000 行且行长度在 1 到 20 之间均匀分布的输入文件上测量的内存消耗:

Line #    Mem usage    Increment   Line Contents
================================================
     5   23.727 MiB    0.000 MiB   @profile
     6                             def main():
     7                                 
     8   23.727 MiB    0.000 MiB       with open('/tmp/input.txt') as f:
     9   23.727 MiB    0.000 MiB           max_row_len = max(len(line.split()) for line in f)
    10                                     
    11   23.727 MiB    0.000 MiB       with open('/tmp/input.txt') as f:
    12   23.727 MiB    0.000 MiB           str_len_max = len(max(chain.from_iterable(line.split() for line in f), key=len))
    13                                 
    14   23.727 MiB    0.000 MiB       def padded_lines():
    15                                     with open('/tmp/input.txt') as f:
    16   62.000 MiB   38.273 MiB               for uneven_line in f:
    17                                             line = uneven_line.split()
    18                                             line += ['0']*(max_row_len - len(line))
    19                                             yield line
    20                                 
    21   23.727 MiB  -38.273 MiB       fmt = '|S%d' % str_len_max
    22                                 array = np.fromiter(chain.from_iterable(padded_lines()), np.dtype(fmt))
    23   62.004 MiB   38.277 MiB       array.shape = (-1, max_row_len)

使用代码 eumiro 的答案，并使用相同的输入文件:

Line #    Mem usage    Increment   Line Contents
================================================
     5   23.719 MiB    0.000 MiB   @profile
     6                             def main():
     7   23.719 MiB    0.000 MiB       with open('/tmp/input.txt') as f:
     8  638.207 MiB  614.488 MiB           arr = np.array(list(it.izip_longest(*[line.split() for line in f], fillvalue='0'))).T

比较内存消耗增量:我更新后的代码消耗的内存比 eumiro 少 16 倍(614.488/38.273 约为 16)。

至于速度:我的更新代码为此输入运行了 3.321 秒，eumiro 的代码运行了 5.687 秒，也就是说，我的代码在我的机器上快了 1.7 倍。 (您的里程可能会有所不同。)

如果效率是您最关心的问题(正如您的评论“嗨 eumiro，我认为这更有效率。”，然后更改接受的答案所示)，那么恐怕您接受的较少有效的解决方案。

别误会我的意思，eumiro 的代码非常简洁，我当然从中学到了很多东西。如果效率不是我最关心的问题，我也会选择 eumiro 的解决方案。 p>