Question

我有一个带有单列的csv文件，但有620万行，所有行都包含6到20个字母之间的字符串。一些字符串将在重复（或更多）条目中找到，我想将它们写入新的csv文件 - 猜测应该有大约100万个非唯一字符串。就是这样，真的。然而，不断搜索600万条目的字典确实需要时间，我会很感激如何做到这一点。根据我所做的一些时间安排，到目前为止我写的任何脚本都需要至少一周（！）才能运行。

首先尝试：

in_file_1 = open('UniProt Trypsinome (full).csv','r')
in_list_1 = list(csv.reader(in_file_1))
out_file_1 = open('UniProt Non-Unique Reference Trypsinome.csv','w+')
out_file_2 = open('UniProt Unique Trypsin Peptides.csv','w+')
writer_1 = csv.writer(out_file_1)
writer_2 = csv.writer(out_file_2)

# Create trypsinome dictionary construct
ref_dict = {}
for row in range(len(in_list_1)):
    ref_dict[row] = in_list_1[row]

# Find unique/non-unique peptides from trypsinome
Peptide_list = []
Uniques = []
for n in range(len(in_list_1)):
    Peptide = ref_dict.pop(n)
    if Peptide in ref_dict.values(): # Non-unique peptides
        Peptide_list.append(Peptide)
    else:
        Uniques.append(Peptide) # Unique peptides

for m in range(len(Peptide_list)):
    Write_list = (str(Peptide_list[m]).replace("'","").replace("[",'').replace("]",''),'')
    writer_1.writerow(Write_list)

第二次尝试：

in_file_1 = open('UniProt Trypsinome (full).csv','r')
in_list_1 = list(csv.reader(in_file_1))
out_file_1 = open('UniProt Non-Unique Reference Trypsinome.csv','w+')
writer_1 = csv.writer(out_file_1)

ref_dict = {}
for row in range(len(in_list_1)):
    Peptide = in_list_1[row]
    if Peptide in ref_dict.values():
        write = (in_list_1[row],'')
        writer_1.writerow(write)
    else:
        ref_dict[row] = in_list_1[row]

编辑：这里是csv文件中的几行：

SELVQK
AKLAEQAER
AKLAEQAERR
LAEQAER
LAEQAERYDDMAAAMK
LAEQAERYDDMAAAMKK
MTMDKSELVQK
YDDMAAAMKAVTEQGHELSNEER
YDDMAAAMKAVTEQGHELSNEERR

Answer 1

第一个提示：Python支持延迟评估，在处理大型数据集时更好地使用它。所以：

迭代你的csv.reader而不是建立一个巨大的内存列表，
不要使用范围构建大量的内存列表 - 如果需要项目和索引，请使用enumate(seq)，如果不需要索引，只需迭代序列的项目。

第二个提示：使用dict（散列表）的主要目的是查找键，而不是值...所以不要构建一个用作列表。

第三个提示：如果您只想要一种存储“已经看到”值的方法，请使用Set。

Answer 2

用Numpy做。大致是：

import numpy as np
column = 42
mat = np.loadtxt("thefile", dtype=[TODO])
uniq = set(np.unique(mat[:,column]))
for row in mat:
    if row[column] not in uniq:
        print row

您甚至可以使用numpy.savetxt和char数组运算符对输出阶段进行矢量化，但它可能不会产生很大的差异。

Answer 3

我在Python方面不太好，所以我不知道'in'是如何工作的，但你的算法似乎在n²中运行。尝试在阅读后对列表进行排序，使用n log（n）中的算法，如quicksort，它应该更好。订购列表后，您只需检查列表中的两个连续元素是否相同。

所以你得到n中的读数，n log（n）中的排序（最好），以及n中的比较。

Answer 4

虽然我认为numpy解决方案是最好的，但我很好奇我们是否可以加快给定的例子。我的建议是：

跳过csv.reader费用，只需阅读
rb跳过修复换行符所需的额外扫描
使用更大的文件缓冲区大小（读取1Meg，写入64K可能不错）
使用dict键作为索引 - 键查找比值查找快得多

我不是一个笨蛋，所以我会做像

这样的事情

in_file_1 = open('UniProt Trypsinome (full).csv','rb', 1048576)
out_file_1 = open('UniProt Non-Unique Reference Trypsinome.csv','w+', 65536)

ref_dict = {}
for line in in_file_1:
    peptide = line.rstrip()
    if peptide in ref_dict:
        out_file_1.write(peptide + '\n')
    else:
        ref_dict[peptide] = None

优化非常大的csv文件中的搜索

4 个答案: