我在python sqlite3数据库中有以下信息,该数据库有大约400万条记录。
Term No of articles Article Ids
Obama 300 [411,523,534, …. 846]
Gandhi 3900 [23,32,33…..4578]
Mandela 3900 [21,14,56,145 …4536]
George Bush 450 [230,310 … 700]
Tony Blair 350 [225,320 … 800]
Justin Bieber 25 [401 , 420, 690 …. 904]
Lionel Messi 150 [23, 78, …… 570]
'Article Ids'是一个包含id列表的blob(由API返回)
我的任务是从Id列表中为每个术语查找common-id并将它们保存在'relationships.db'中
如何建立关系,我发现哪些文章都涉及甘地和曼德拉在一起(相交文章ID)?
relationships.db应如下所示;
Term 1 Term 2 No of Common Article Ids Common Article IDS
Obama Gandhi 17 [34,123,25 ...]
Obama Mandela 43 [145,111,234,456 ....]
Obama George Bush 46
Obama Tony Blair 2
Obama Justin Bieber 36
Obama Lionel Messi 3
Gandhi Mandela 40
Gandhi George Bush 41
Gandhi Tony Blair 32
Gandhi Justin Bieber 31
Gandhi Lionel Messi 20
Mandela George Bush 20
Mandela Tony Blair 11
Mandela Justin Bieber 19
Mandela Lionel Messi 39
George Bush Tony Blair 46
George Bush Justin Bieber 49
George Bush Lionel Messi 2
Tony Blair Justin Bieber 50
Tony Blair Lionel Messi 3
Justin Bieber Lionel Messi 6
使用'for循环'遍历每个术语以获得交集是痛苦的。有没有一种有效的方法来做到这一点? “记忆”和“速度”之间会有权衡吗?
答案 0 :(得分:2)
评论暗示了这一点,但是当信息仍在BLOB中时,处理信息是不可能的(或者至少是非常困难的)。如果重组数据库,可以取得更多进展:
Term Article_id
Ghandi 33
Obama 411
Obama 523
Ghandi 23
Obama 846
...
Mandela 23
这种“扁平”表示具有一些优点。首先,它使得添加新文章变得容易,您不必提取blob。其次,通过适当的索引,您可以轻松恢复原始计数:
SELECT COUNT(*) FROM news WHERE Term="Ghandi"`
如果需要,可以将它们存储在单独的表中。要提取联合文章,您可以搜索以下内容:
SELECT A.Article_id, A.Term, B.Term FROM news AS A
JOIN news AS B ON A.Article_id = B.Article_id
AND A.Term != B.Term
请注意,这会重复计算,但这很容易纠正。这是一个完整的最小工作示例,其中包含一个修改过的表格以显示更多匹配项:
import sqlite3
conn = sqlite3.connect(":memory:")
raw_items = '''
Ghandi 33
Obama 411
Obama 521
Ghandi 23
Obama 21
Ghandi 411
Mandela 21'''
script = '''
CREATE TABLE news (
Term STRING,
Article_id INTEGER
);'''
conn.executescript(script)
items = [line.split() for line in raw_items.strip().split('\n')]
conn.executemany("INSERT INTO news VALUES (?,?)", items)
cmd = '''SELECT COUNT(*) FROM news WHERE Term="Obama"'''
print "Obama size: ", conn.execute(cmd).fetchone()
cmd = '''
SELECT A.Article_id, A.Term, B.Term FROM news AS A
JOIN news AS B ON A.Article_id = B.Article_id
AND A.Term != B.Term '''
for result in conn.execute(cmd).fetchall():
print result
这给出了:
Obama size: (3,)
(411, u'Obama', u'Ghandi')
(21, u'Obama', u'Mandela')
(411, u'Ghandi', u'Obama')
(21, u'Mandela', u'Obama')
答案 1 :(得分:1)
您可以找到pandas的一些解决方法。
1)使用pandas.read_sql
创建一个pandas DataFrame2)然后你可以得到像@logc
建议的交叉连接3)之后,您可以将列表转换为集合并应用交集。
如果你需要帮助来实施,我现在有点匆忙帮助你。
编辑:
好的,确实非常简单,但我不知道它是否具备您所需的性能,也许您需要逐步阅读csv文件:
import pandas, sqlite3
conn = sqlite3.connect(databaseFilePath)
df=pandas.read_sql('SELECT * FROM Terms;',conn)
df['Article Ids'] = df['Article Ids'].apply(eval).apply(set)
df['key'] = False
df2 = pandas.merge(df,df,on='key')
df2 = df2[df2.Term_x!=df2.Term_y]
df2['Common Articles IDS'] = df2.apply(lambda row:set.intersection(row['Article Ids_x'], row['Article Ids_y']), axis=1)
df2['No of Common Articles Ids'] = df2['Common Articles IDS'].apply(len)
df2['Common Articles IDS'] = df2['Common Articles IDS'].apply(list).apply(str)
df2[['Term_x','Term_y', 'No of Common Articles Ids', 'Common Articles IDS']].to_sql(outputTableName, conn)