Question

我正在Python 2.6（*）中慢慢开发一个数据处理应用程序。我的测试数据非常小，例如5000个案例，但预计在不久的将来会有一百万个案例，我想知道我目前的方法在这些条件下是否可行。

问题的结构：我有两个csv文件，一个包含调用（5000行，20列）和另一个调用详细信息（500行，10列）。我必须构建第三个csv文件，其中包含“调用”文件中的所有案例，其中包含找到的其他详细信息。在幕后有一些繁重的工作（详细列表中的数据合并和重组，列表之间的数据比较）。但是我对构建输出列表非常紧张：目前代码看起来像这样：

def reduceOutputListToPossibleMatches(outputList, detailsList):
    reducedList = list()

    for outputItem in outputList:
        isFound = False
        for detailsItem in detailsList:
            if detailsItem[14] == outputItem[4]:
                if isfound:
                    detailsItem[30] = "1" #ambigous case
                                          # - more than one match was found
# 1 is an indicator for true - I am not using python here because spss has no support for booleans.
                isFound = True
        if isFound:
            reducedList.append(detailsItem )

    return reducedList

我认为这个算法需要很长时间，因为我必须循环两个大型列表。所以我的问题可以归结为：Python中的列表有多快，是否有更好的替代方案？另外：双列表处理起来有点不方便，因为我必须记住每列的索引位置 - 是否有更好的选择？

* =我稍后会调用SPSS版本19，它拒绝使用较新版本的python。

Answer 1

从Elazar的回答中，使用dict来避免内循环：

def reduceOutputListToPossibleMatches(outputList, detailsList):
    details = {}
    for detailsItem in detailsList:
        key = detailsItem[14]
        if key in details:
            details[key][30] = "1"
        else:
            details[key] = detailsItem

    for outputItem in outputList:
        key = outputItem[4]
        if key in details:
            yield details[key]

res = reduceOutputListToPossibleMatches(outputList, detailsList)
with open('somefile', 'w') as f:
    f.writelines(res)

如果你需要所有模糊的界限：

def reduceOutputListToPossibleMatches(outputList, detailsList):
    details = {}
    for detailsItem in detailsList:
        key = detailsItem[14]
        if key in details:
            details[key].append(detailsItem)
        else:
            details[key] = [detailsItem]

    for outputItem in outputList:
        key = outputItem[4]
        if key in details:
            for item in details[key]:
                if len(details[key]) > 1:
                    item[30] = "1"
                yield item

res = reduceOutputListToPossibleMatches(outputList, detailsList)
with open('somefile', 'w') as f:
    f.writelines(res)

Answer 2

我认为您不需要返回list。你可以这样做：

def reduceOutputListToPossibleMatches(outputList, detailsList):
    for outputItem in outputList:
        isFound = False
        for detailsItem in detailsList:
            if detailsItem[14] == outputItem[4]: #there was a syntax error here
                if isfound:
                    detailsItem[30] = "1"
                    break
                isFound = True
        else:
            yield detailsItem

res = reduceOutputListToPossibleMatches(outputList, detailsList)
with open('somefile', 'w') as f:
    f.writelines(res)

但它仍然O(n**2)这很慢。也许SQL数据库（通过Django？）更适合这项任务。

@ Duncan建议的细微变化：

from collections import defaultdict
def reduceOutputListToPossibleMatches(outputList, detailsList):
    details = defaultdict(list)
    for detailsItem in detailsList:
        key = detailsItem[14]
        details[key].append(detailsItem)

    for outputItem in outputList:
        val = details[outputItem[4]]
        if len(val) > 1:
            for item in val:
                item[30] = "1"
        yield from val

Can Lists可以应付一百万件物品吗？

2 个答案: