在python社区的帮助下,我开始学习python来处理大约5亿(40G)的数据,并编写了以下脚本。
输入文件格式 -
Studentid,Subject,DateTime,Grade
001,Biology,Mon Apr 25 19:32:00 PDT 2013,B
001,Literature,Wed Apr 10 15:31:00 PST 2013,B
001,Math,Mon Apr 22 01:32:00 PDT 2013,A
002,Biology,Mon Apr 25 19:32:00 PDT 2013,A
002,Math,Mon Apr 22 16:31:14 PDT 2013,C
002,Math,Wed Apr 10 15:31:00 PST 2013,C
003,Biology,Mon Apr 22 13:31:00 PDT 2013,A
003,Irdu,Wed Apr 10 15:31:00 PST 2013,A
输出报告
003,Irdu;Wed Apr 10 15:31:00 PST 2013;A#Biology;Mon Apr 22 13:31:00 PDT 2013;A
002,Math;Wed Apr 10 15:31:00 PST 2013;C#Math;Mon Apr 22 16:31:14 PDT 2013;C#Biology;Mon Apr 25 19:32:00 PDT 2013;A
001,Literature;Wed Apr 10 15:31:00 PST 2013;B#Math;Mon Apr 22 01:32:00 PDT 2013;A#Biology;Mon Apr 25 19:32:00 PDT 2013;B
Python脚本
import csv
import time
import operator
import sys, getopt
import os
from collections import defaultdict
from datetime import datetime
from operator import itemgetter
start = time.time()
def elapsed():
return time.time() - start
def date_key(row):
try:
formatRow = row[1].replace('PDT ','')
formatRow = formatRow.replace('PST ','')
return datetime.strptime(formatRow, "%a %b %d %X %Y")
except Exception, e:
print ("Error in sorting the date: %s \nRow : %s" % (e, row))
pass
def processRecords(accountsData, fileName):
for v in accountsData.itervalues():
try:
v.sort(key=date_key)
except Exception, e:
pass
with open(fileName, 'a') as writer:
for pid,v in accountsData.iteritems():
csv = '#'.join([';'.join(t) for t in v])
writer.write("%s,%s\n" % (pid, csv))
def main(argv):
inputFile = ''
outputFile = ''
batchsize = 20000000
try:
opts, args = getopt.getopt(argv,"hi:o:b:",["ifile=","ofile=","bsize="])
except getopt.GetoptError:
print 'ReportToFileBatches.py -i <inputfile> -o <outputfile> -b<batchsize>[default=20000000]'
sys.exit(2)
for opt, arg in opts:
if opt == '-h':
print 'ReportToFileBatches.py -i <inputfile> -o <outputfile> -b<batchsize>[default=20000000]'
sys.exit()
elif opt in ("-i", "--ifile"):
inputFile = arg
elif opt in ("-o", "--ofile"):
outputFile = arg
elif opt in ("-b", "--bsize"):
batchsize = int(arg)
if not (os.path.isfile(inputFile)):
print ("\nError : File - %s does not exist." % (inputFile))
sys.exit(2)
#print "Batch Size %s " % batchsize
linenumb = 0
with open(inputFile,'r') as data:
accounts = defaultdict(list)
for line in data:
linenumb = linenumb + 1
line = line.rstrip('\r\n')
try:
sid, subject, datetime, grade = line.split(',')
accounts[sid].append((subject, datetime, grade))
if (linenumb == batchsize):
linenumb = 0
processRecords(accounts, outputFile)
accounts = defaultdict(list)
else: continue
except Exception, e:
print ("Error : %s \nRow : %s" % (e, line))
if(linenumb > 0):
processRecords(accounts, outputFile)
print("Total time taken - %.3fs" % elapsed())
if __name__ == "__main__":
main(sys.argv[1:])
您可以看到输出文件(报告)按日期排序,也可以按字段顺序排列。我花了更多的时间来排序日期时间列(也许)。我是Python的新人。我非常感谢您在改进我的脚本以减少处理时间方面的任何帮助。希望我有意义。
仅供参考:我确保输入文件按studentid排序并分批处理。
答案 0 :(得分:1)
我甚至无法想象想要通过任何大量的分析或算法优化来做到这一点。
这让我觉得这是一个数据库问题。
python是进行格式化和解析的粘合语言。不是用于管理40G数据的语言。
答案 1 :(得分:0)
我认为你能做的最好的事情是pigeonhole sort。如果您知道时间数据的界限和范围,即最大和最小时间,这就有效。 Pigeonholing的工作原理是将您的数据分离成离散的信号。例如,如果您的数据分布在一个月左右,那么您可以拥有一个数组,其中每个索引都是一个数组,表示该月每天的1小时。您走在列表中,将数据放入该数组中。将数据放入该数组时,可以将其排序到该子列表中。
如果您正确选择鸽舍,此算法非常有效。例如,如果您的所有数据都在同一天内,并且您的鸽子洞是白天的话,那么此算法的效果并不比您的好。另一个注意事项是你的鸽笼不必均匀分布。如果几乎所有数据都是在不同日期的同一小时内,那么在该小时内添加较小的时间步骤,为其余时间添加较大的时间步。
Counting sort是另一种选择(也有更好的运行时),但由于你的文件太大,我认为你可能会遇到内存问题或滞后于不断的磁盘写入。值得研究但要小心这些延误。
编辑:刚刚意识到你的文件大40g所以为了解决那个内存问题,而不是数组数组,你可能会有一系列包含已知名称的已知名称的文件。