python - 代码运行缓慢 - python 中的性能问题

Question

我有一个文件，其中有 4 列，带有分隔值。我只需要第一列，所以我读取了文件，然后将该行拆分、分隔并将其存储在一个名为 first_file_list 的列表变量中。

我有另一个文件，其中有 6 列，带有分隔值。我的要求是读取文件第一行的第一列，并检查字符串是否存在于名为 first_file_list 的列表中。如果存在，则将该行复制到新文件。

我的第一个文件有大约。 600 万条记录和第二个文件有大约。 450 万条记录。只是为了检查我的代码而不是 450 万的性能，我在第二个文件中只放了 100k 条记录，处理这 100k 条记录的代码大约需要。 2.5 小时。

以下是我对此的逻辑:

first_file_list = []

with open("c:\first_file.csv") as first_f:
    next(first_f)  # Ignoring first row as it is header and I don't need that
    temp = first_f.readlines()
    for x in temp:
        first_file_list.append(x.split(',')[0])
first_f.close()

with open("c:\second_file.csv") as second_f:
    next(second_f)
    second_file_co = second_f.readlines()
second_f.close()

out_file = open("c:\output_file.csv", "a")
for x in second_file_co:
    if x.split(',')[0] in first_file_list:
        out_file.write(x)
out_file.close()

能否请您帮助我了解我在这里做错了什么，以至于我的代码需要这么多时间来比较 10 万条记录？或者您能否建议在 Python 中执行此操作的更好方法。

Answer 1

使用set 进行快速成员资格检查。此外，无需将整个文件的内容复制到内存中。您可以只遍历文件的剩余内容。

first_entries = set()
with open("c:\first_file.csv") as first_f:
    next(first_f)
    for line in first_f:
        first_entries.add(line.split(',')[0])

with open("c:\second_file.csv") as second_f:
    with open("c:\output_file.csv", "a") as out_file:
        next(second_f)
        for line in second_f:
            if line.split(',')[0] in first_entries:
                out_file.write(line)

此外，我注意到您对使用 with 语句打开的文件对象调用了 .close()。使用 with(上下文管理器)意味着所有清理都在您退出其上下文后完成。因此它会为您处理 .close()。