编程语言
首页 > 编程语言> > 寻找一种更有效的方法来重组Python中的大量CSV

寻找一种更有效的方法来重组Python中的大量CSV

作者:互联网

我一直在研究一个问题,我从大输出.txt文件中获取数据,现在必须以.csv的形式解析和重组某些值.

我已经编写了一个脚本,根据它的数据类型(航班ID,纬度,经度等)将所有数据输入到列中的.csv中,但它的顺序不正确.所有值都应根据相同的航班ID进行分组,从最早的时间戳到最新的时间戳.幸运的是,我的.csv具有正确时间顺序的所有值,但未根据航班ID进行适当组合.

要清除我的描述,它现在看起来像这样,

(“时间x”只是为了说明):

20110117559515, , , , , , , , ,2446,6720,370,42  (Time 0)                               
20110117559572, , , , , , , , ,2390,6274,410,54  (Time 0)                               
20110117559574, , , , , , , , ,2391,6284,390,54  (Time 0)                               
20110117559587, , , , , , , , ,2385,6273,390,54  (Time 0)                               
20110117559588, , , , , , , , ,2816,6847,250,32  (Time 0) 
... 

它应该像这样订购:

20110117559515, , , , , , , , ,2446,6720,370,42  (Time 0)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 1)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 2)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 3)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time N)
20110117559572, , , , , , , , ,2390,6274,410,54  (Time 0)
20110117559572, , , , , , , , ,23xx,62xx,4xx,54  (Time 1)
... and so on

.csv I输出中有130万行,以简化操作.我99%有信心我写的下一个脚本中的逻辑来修复排序是正确的,但我担心这是非常低效的.我最后添加了一个进度条,看看它是否取得了进展,不幸的是这就是我所看到的:

这是处理运算的代码(如果你愿意,可以跳到问题区域):

## a class I wrote to handle the huge .csv's ##
from BIGASSCSVParser import BIGASSCSVParser               
import collections                                                              


x = open('newtrajectory.csv')  #file to be reordered                                                  
linetlist = []                                                                  
tidict = {}               

'' To save braincells I stored all the required values
   of each line into a dictionary of tuples.
   Index: Tuple ''

for line in x:                                                                  
    y = line.replace(',',' ')                                                   
    y = y.split()                                                               
    tup = (y[0],y[1],y[2],y[3],y[4])                                            
    linetlist.append(tup)                                                       
for k,v in enumerate(linetlist):                                                
    tidict[k] = v                                                               
x.close()                                                                       


trj = BIGASSCSVParser('newtrajectory.csv')                                      
uniquelFIDs = []                                                                
z = trj.column(0)   # List of out of order Flight ID's                                                     
for i in z:         # like in the example above                                                           
    if i in uniquelFIDs:                                                        
        continue                                                                
    else:                                                                       
        uniquelFIDs.append(i)  # Create list of unique FID's to refer to later                                               

queue = []                                                                              
p = collections.OrderedDict()                                                   
for k,v in enumerate(trj.column(0)):                                            
    p[k] = v  

到目前为止一切都很好,但是在下一个部分,我的计算机要么窒息,要么我的代码很糟糕:

for k in uniquelFIDs:                                                           
    list = [i for i, x in p.items() if x == k]                                  
    queue.extend(list)                                                          

我们的想法是,对于每个唯一值,按顺序迭代130万个值并按顺序返回每个匹配项的索引,并将这些值附加到列表中.之后,我只是要读取大量索引列表,并将该行数据的内容写入另一个.csv文件.塔达!可能非常低效.

这有什么不对?有没有更有效的方法来解决这个问题?我的代码有缺陷,还是我只是对我的笔记本电脑残忍?

更新:

我发现,随着我正在处理的数据量,它需要9-10个小时.我有一半正确吐出4.5.我可以暂时解决一夜之间的危机,但下次可能会使用数据库或其他语言.如果我知道我提前得到了什么,我会的,哈哈.

调整我的SSD的睡眠设置后,它只需要3个小时来处理.

解决方法:

如果CSV文件适合您的RAM(例如小于2GB),那么您可以阅读整个内容并对其进行排序:

data = list(csv.reader(fn))
data.sort(key=lambda line:line[0])
csv.writer(outfn).writerows(data)

如果你不捶打,这不应该花费相当长的时间.请注意,.sort是一种稳定的排序,因此当密钥相等时,它将保留文件的时间顺序.

如果它不适合RAM,你可能想要做一些有点聪明的事情.例如,您可以存储每行的文件偏移量,以及行中的必要信息(时间戳和航班ID),然后对这些信息进行排序,并使用行偏移信息写入输出文件.

标签:python,list,algorithm,iteration,data-processing
来源: https://codeday.me/bug/20190901/1781347.html