python – 优化处理非常大的文件

我的任务相对简单：对于输入文件中的每一行,测试该行是否满足给定的条件集,如果满足,则将该行的特定列写入新文件.我已经编写了一个python脚本来执行此操作,但我想要一些帮助1)提高速度,2)在列名称方面工作的最佳方式(因为列号可能因文件而异),以及3 )指定过滤条件和所需输出列的最佳方法.

1)我使用的文件包含天文图像的测光.每个文件大约1e6行,150列浮点数,通常超过1GB.我有一个旧的AWK脚本,将在大约1分钟内处理这样的文件;我的python脚本需要5到7分钟.我经常需要调整过滤条件并重新运行几次,直到输出文件是我想要的,所以速度绝对是可取的.我发现for循环很快;这就是我在循环中做的事情,它减慢了它的速度.使用itemgetter来挑选我想要的列比将整行读入内存有了很大的改进,但我不确定我能做些什么来进一步提高速度.这可能和AWK一样快吗？

2)我想用列名而不是列号来工作,因为特定数量的列号(光子数,背景,信噪比等)可以在文件之间改变.在我的AWK脚本中,我总是需要检查在指定条件和输出列的情况下列号是否正确,即使过滤和输出适用于相同的数量.我在python中的解决方案是创建一个字典,为每个数量分配一个列号.当文件具有不同的列时,我只需要指定一个新的字典.也许有更好的方法来做到这一点？

3)理想情况下,我只需要指定输入和输出文件的名称,过滤条件和要输出的所需列,它们可以在我的脚本顶部找到,所以我不需要去搜索代码只是为了调整一些东西.我的主要问题是未定义的变量.例如,典型的条件是’SNR>. 4′,但’SNR'(信噪比)实际上没有赋值,直到从测光文件开始读取行.我的解决方案是使用字符串和eval / exec的组合.再说一次,也许有更好的方法？

我从未接受过计算机科学方面的培训(我是天文学的研究生) – 我通常只是将一些东西放在一起并调试直到它起作用.然而,就我的三点而言,优化对我的研究来说变得非常重要.我为冗长的帖子道歉,但我觉得细节会有所帮助.除了清理/编码风格之外,您对我的任何建议都将非常感激.

非常感谢,
可靠的人

#! /usr/bin/env python2.6

from operator import itemgetter


infile = 'ugc4305_1.phot'
outfile = 'ugc4305_1_filt.phot'

# names must belong to dicitonary
conditions = 'OBJ <= 2 and SNR1 > 4 and SNR2 > 4 and FLAG1 < 8 and FLAG2 < 8 and (SHARP1 + SHARP2)**2 < 0.075 and (CROWD1 + CROWD2) < 0.1'

input = 'OBJ, SNR1, SNR2, FLAG1, FLAG2, SHARP1, SHARP2, CROWD1, CROWD2'
    # should contain all quantities used in conditions

output = 'X, Y, OBJ, COUNTS1, BG1, ACS1, ERR1, CHI1, SNR1, SHARP1, ROUND1, CROWD1, FLAG1, COUNTS2, BG2, ACS2, ERR2, CHI2, SNR2, SHARP2, ROUND2, CROWD2, FLAG2'

# dictionary of col. numbers for the more important qunatities
columns = dict(EXT=0, CHIP=1, X=2, Y=3, CHI_GL=4, SNR_GL=5, SHARP_GL=6, ROUND_GL=7, MAJAX_GL=8, CROWD_GL=9, OBJ=10, COUNTS1=11, BG1=12, ACS1=13, STD1=14, ERR1=15, CHI1=16, SNR1=17, SHARP1=18, ROUND1=19, CROWD1=20, FWHM1=21, ELLIP1=22, PSFA1=23, PSFB1=24, PSFC1=25, FLAG1=26, COUNTS2=27, BG2=28, ACS2=29, STD2=30, ERR2=31, CHI2=32, SNR2=33, SHARP2=34, ROUND2=35, CROWD2=36, FWHM2=37, ELLIP2=38, PSFA2=39, PSFB2=40, PSFC2=41, FLAG2=42)



f = open(infile)
g = open(outfile, 'w')


# make string that extracts values for testing
input_items = []
for i in input.replace(',', ' ').split():
    input_items.append(columns[i])
input_items = ', '.join(str(i) for i in input_items)

var_assign = '%s = [eval(i) for i in itemgetter(%s)(line.split())]' % (input, input_items) 


# make string that specifies values for writing
output_items = []
for i in output.replace(',', ' ').split():
    output_items.append(columns[i])
output_items = ', '.join(str(i) for i in output_items)

output_values = 'itemgetter(%s)(line.split())' % output_items


# make string that specifies format for writing
string_format = []
for i in output.replace(',', ' ').split():
    string_format.append('%s')
string_format = ' '.join(string_format)+'\n'


# main loop
for line in f:
   exec(var_assign)
   if eval(conditions):
      g.write(string_format % tuple(eval(output_values)))
f.close()
g.close()

最佳答案:

我认为你没有提到它,但看起来你的数据是在csv中.您可能会因使用csv.DictReader而获得很多.您可以一次迭代文件1行(避免将整个内容加载到内存中)并按名称引用列.

你还应该看一下cProfile,Python的分析器,如果你还没有.它会告诉您程序的哪些位执行时间最长.

标签：python,optimization,performance,astronomy
来源： https://codeday.me/bug/20190515/1109569.html