- 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?
在CSV文件中查找候选主键,测试要求列数<= 4且这些列的任何子集都不能是主键。有一些例子:
这是对我的考验!我在 35 秒 内完成了它,但没有达到高效要求:在大约 10000 行的 csv 文件中在大约 1 秒 内找到主键。
测试数据:
该文件的正确答案是:[['column8', 'column11', 'column15', 'column18']]
所以,我的问题是“有没有更有效的方法来查找主键?”
这是我的代码:
# coding: utf-8
import pandas as pd
import numpy as np
import os
import itertools
import time
def is_subkey(newkey,keys):
# test wheather newkey is sub set of any keys
for key in keys:
if set(key).issubset(newkey):
return True
return False
def primarykey_recognition(file,max_num=4):
# file is an file object, returnd by function open()
# doc is a pandas DF
doc = pd.read_csv(file,sep=',')
num = 1
result = []
table_length = len(doc.values)
while num <= max_num:
keys = list(itertools.combinations(doc.columns,num))
# print(keys)
for key in keys:
if is_subkey(key,result):
# if key belong to any sub set of keys in result ,continue
continue
#
bools = np.array(doc.duplicated(subset=list(key)))
if np.sum(bools) > 0:
# sum(bools) means bools has duplicated lines
continue
else:
result.append(list(key))
num += 1
return result
if __name__=="__main__":
with open(r"..\data\Table_C.csv") as file:
tic = time.clock()
keys = primarykey_recognition(file)
toc = time.clock()
print("File {} has primary keys: ".format(filename))
print(keys)
print("Elapsed: {} s".format(round(toc - tic,4)))
我发现有一个类似的问题,How to find a columns set for a primary key candidate in CSV file? ,但代码效率不高并且会找到错误的键,例如示例 key2。
这是该问题的代码:
# coding: utf-8
import pandas
from itertools import chain, combinations
import time
def key_options(items):
return chain.from_iterable(combinations(items, r) for r in range(1, len(items)+1) )
tic = time.clock()
df = pandas.read_csv(r"..\data\Table_C.csv");
# iterate over all combos of headings, excluding ID for brevity
for candidate in key_options(list(df)[1:]):
deduped = df.drop_duplicates(candidate)
if len(deduped.index) == len(df.index):
print(','.join(candidate))
toc = time.clock()
print("Elapsed: {} s".format(round(toc - tic,4)))
最佳答案
这里有一些想法:
python3 -m cProfile -s cumtime key-extractifyer.py < lotsadata.csv
澄清第一点:
让我们从抽象层面开始。您正在尝试查找满足某些约束的列组合。在这类问题中,我们称所有候选对象为“search space”,每个候选对象都是candidate that satisfy the constraints。被称为“问题的解决方案”。现在您的搜索空间是“itertools.combinations 生成的所有组合”。您正在检查每个候选人的约束条件。
现在让我们假设检查约束是昂贵的。在你的情况下是 pandas.duplicated()
call,代表95%的执行时间。显然,如果我们可以最小化搜索空间,我们可以节省很多时间!
可以通过三种方式最小化搜索空间:
我专注于“方式 2”,但如果需要,也可以随意探索其他方式。
搜索空间的很大一部分是具有二进制值的列。除此之外,您还有一些列只有一个值。由于数学原因,仅涉及这些列的组合永远无法满足您的约束(此类组合永远不会解决您的问题)。可以有 2 个值的一列最多能够唯一标识 2 行。如果您有 3 行或更多行,则必须至少有两行在列中共享相同的值。这称为 pigeonhole principle .
我们可以将其扩展到更多列。两个二进制列最多可以识别 2*2 = 4 行,具有这些组合:(0, 0), (0, 1), (1, 0), (1, 1)
.并且它扩展到具有多于(或少于)两个值的列。每列有 3 个唯一值的两列最多可以标识 3*3 = 9 行。
这是我们要利用来减少搜索空间的原理。通过在开始时计算每列中的unique/distinct 值的数量,并将结果保存到一个数组中,这样您就不必在每次循环迭代时都这样做,您可以给出一个上限该列最多可以识别多少行。所以在你做昂贵的事情之前 pandas.duplicated()
调用,您检查更便宜的乘法以查看此列组合是否有可能满足约束。如果不是,我们可以避免昂贵的调用。请注意,我们并不是要证明您的候选人是一个解决方案,我们是要证明它不是。在您确定之前,您仍然需要进行昂贵的通话,但候选人数量要少得多。
关于python - 在 CSV 文件中查找主键候选人的最快方法?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50944844/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!