Python 比较两种词典的效率
以下程序已在两个文件(txt,~10MB ea.)上运行了约22小时。每个文件大约有10万行。有人能告诉我我的代码效率有多低,也许是一种更快的方法。输入指令是有序的,必须保持顺序:Python 比较两种词典的效率,python,dictionary,Python,Dictionary,以下程序已在两个文件(txt,~10MB ea.)上运行了约22小时。每个文件大约有10万行。有人能告诉我我的代码效率有多低,也许是一种更快的方法。输入指令是有序的,必须保持顺序: import collections def uniq(input): output = [] for x in input: if x not in output: output.append(x) return output Su = {} with open ('Sucros
import collections
def uniq(input):
output = []
for x in input:
if x not in output:
output.append(x)
return output
Su = {}
with open ('Sucrose_rivacombined.txt') as f:
for line in f:
(key, val) = line.split('\t')
Su[(key)] = val
Su_OD = collections.OrderedDict(Su)
Su_keys = Su_OD.keys()
Et = {}
with open ('Ethanol_rivacombined.txt') as g:
for line in g:
(key, val) = line.split('\t')
Et[(key)] = val
Et_OD = collections.OrderedDict(Et)
Et_keys = Et_OD.keys()
merged_keys = Su_keys + Et_keys
merged_keys = uniq(merged_keys)
d3=collections.OrderedDict()
output_doc = open("compare.txt","w+")
for chr_local in merged_keys:
line_output = chr_local
if (Et.has_key(chr_local)):
line_output = line_output + "\t" + Et[chr_local]
else:
line_output = line_output + "\t" + "ND"
if (Su.has_key(chr_local)):
line_output = line_output + "\t" + Su[chr_local]
else:
line_output = line_output + "\t" + "ND"
output_doc.write(line_output + "\n")
输入文件如下:并非所有键都存在于两个文件中
Su:
chr1:3266359 80.64516129
chr1:3409983 100
chr1:3837894 75.70093458
chr1:3967565 100
chr1:3977957 100
Et:
chr1:3266359 95
chr1:3456683 78
chr1:3837894 54.93395855
chr1:3967565 100
chr1:3976722 23
我希望输出如下所示:
chr1:3266359 80.645 95
chr1:3456683 ND 78
将
uniq
替换为此,因为输入是可散列的:
def uniq(input):
output = []
s = set()
for x in input:
if x not in s:
output.append(x)
s.add(x)
return output
这将把一个几乎
O(n^2)
过程减少到几乎O(n)
替换uniq
,因为输入是可散列的:
def uniq(input):
output = []
s = set()
for x in input:
if x not in s:
output.append(x)
s.add(x)
return output
这将把一个几乎
O(n^2)
的过程减少到几乎O(n)
您的输出是一个列表,但您的输入是字典:它们的键保证是唯一的,但是您的不在输出中
需要与列表中的每个元素进行比较,这是组合的。(您正在进行n^2次比较,因为这是而不是检查。)
您可能完全可以用以下内容取代uniq:
Su_OD.update(Et_OD)
这对我很有用:
from collections import OrderedDict
one = OrderedDict()
two = OrderedDict()
one['hello'] = 'one'
one['world'] = 'one'
two['world'] = 'two'
two['cats'] = 'two'
one.update(two)
for k, v in one.iteritems():
print k, v
输出:
hello one
world two
cats two
您的output
是一个列表,但您的输入是字典:它们的键保证是唯一的,但是您的not in output
需要与列表中的每个元素进行比较,这是组合的。(您正在进行n^2次比较,因为这是而不是检查。)
您可能完全可以用以下内容取代uniq:
Su_OD.update(Et_OD)
这对我很有用:
from collections import OrderedDict
one = OrderedDict()
two = OrderedDict()
one['hello'] = 'one'
one['world'] = 'one'
two['world'] = 'two'
two['cats'] = 'two'
one.update(two)
for k, v in one.iteritems():
print k, v
输出:
hello one
world two
cats two
您不需要独特的功能。
伪代码,如:
按顺序读取文件2
进程文件1写出其项目(已正确订购)
pop,使用文件2中的defalut作为输出行的最后一部分
在文件1被使用后,处理文件2中的已排序dict
此外,爱列表理解…您可以通过以下方式读取文件:
OrderedDict(line.strip().split('\t') for line in open('Ethanol_rivacombined.txt'))
只有一个有序的dict和“successour\u rivacombined.txt”甚至从未进入内存。应该是超快的
编辑完整代码(不确定输出行格式)
您不需要独特的功能。
伪代码,如:
按顺序读取文件2
进程文件1写出其项目(已正确订购)
pop,使用文件2中的defalut作为输出行的最后一部分
在文件1被使用后,处理文件2中的已排序dict
此外,爱列表理解…您可以通过以下方式读取文件:
OrderedDict(line.strip().split('\t') for line in open('Ethanol_rivacombined.txt'))
只有一个有序的dict和“successour\u rivacombined.txt”甚至从未进入内存。应该是超快的
编辑完整代码(不确定输出行格式)
为什么不在较小的输入上对其进行分析,自己看看时间花在了哪里?我不知道该怎么做。我早些时候在一半大小的文件上运行了它,只花了大约3个小时。CPU使用率为25%,RAM仅为1.6GB左右,还有约6GB的空闲空间,因此不像其紧张的资源。我只是想知道我是否编错了代码,导致它继续不必要地读取文件。您是否验证了这是否符合您的要求?因为Su
是一个普通的dict,所以当您将其转换为Su\u OD
时,文件系统顺序已经丢失。您可能想要预先创建有序的dict?在“for”部分下面是否缺少一些缩进,以确保if-else通过循环?您可以考虑直接写入而不是每次构造Lynl输出,而不是重复级联字符串。哦,你也可以考虑CSV模块用于你的TSV输出。@ JoBrand:我的意思是使用一个自动工具来告诉你时间在哪里。请参阅(为了获得最佳结果,您可能需要对代码进行一点重构。)为什么不在较小的输入上对其进行分析,并亲自查看时间花在了哪里?我不知道如何做到这一点。我早些时候在一半大小的文件上运行了它,只花了大约3个小时。CPU使用率为25%,RAM仅为1.6GB左右,还有约6GB的空闲空间,因此不像其紧张的资源。我只是想知道我是否编错了代码,导致它继续不必要地读取文件。您是否验证了这是否符合您的要求?因为Su
是一个普通的dict,所以当您将其转换为Su\u OD
时,文件系统顺序已经丢失。您可能想要预先创建有序的dict?在“for”部分下面是否缺少一些缩进,以确保if-else通过循环?您可以考虑直接写入而不是每次构造Lynl输出,而不是重复级联字符串。哦,你也可以考虑CSV模块用于你的TSV输出。@ JoBrand:我的意思是使用一个自动工具来告诉你时间在哪里。请参阅(为了获得最佳结果,您可能需要对代码进行一些重构。)非常感谢!它现在运行约8秒。您为什么保留输出,或者为什么还要检查每个元素是否在集合中?为什么不干脆做s=set(Su_OD.keys());s、 更新(Et_OD.keys())
@KurzedMetal以保留OP想要的元素顺序。非常感谢!它现在运行约8秒。您为什么保留输出,或者为什么还要检查每个元素是否在集合中?为什么不干脆做s=set(Su_OD.keys());s、 更新(Et_OD.keys())
@KurzedMetal以保留OP想要的元素顺序。谢谢。这是很好的和紧凑的,对于超过500k行的数据集,它的工作速度非常快。谢谢。这是很好的和紧凑的,对于超过500k行的数据集工作速度非常快。使用Su_OD.update(Et_OD)
将不起作用,因为Su_OD
和Et_OD
中可能存在相同的键,并且该表达式将使用Et_OD
中的值覆盖Su_OD
中的键,从而丢失OP wan中的数据值