python中大型文件的高效合并清除

我有两个文件要合并（左连接），以确定左文件中的哪些记录与右文件中的匹配行一起返回

匹配键基于定义邮政数据的列的选择。我正在研究如何定义匹配阈值，并为重复管理的唯一地址分配唯一密钥。这也被称为持家，这意味着新的匹配不会减少处理

真正的挑战是为非常大的文件高效地运行主匹配循环

这个设置可能是map/reduce的一个很好的候选者，但我现在想探索自包含的（如“不那么天真”）解决方案

我已经检查过了，但是由于正确的表被反复访问，因此可能会有一个特定于此练习的最佳结构

有什么想法吗？谢谢

import csv
import StringIO
from fuzzywuzzy import fuzz

cols1 = [ 1 , 3 , 4]
f1 = '''x1,x2,x3,x4,x5
     the,quick,brown,fox,jumps
     over,the,lazy,dogs,back,
     bla,bla,bla,bla,bla'''

 cols2 = [ 2 , 3 , 4]
 f2 = '''x1,x2,x3,x4,x5
      the,fast,brown,fox,jumps
      over,many,snoozing,dogs,back,
      the,prompt,fuchsia,fox,jumps
      over,the,lazy,dogs,back,
      bl,the,bl,bl,fox'''


 def standardize( x , selection , field_lengths=None ):
     y = ','.join([ x[selection[i]] for i in range(len(selection)) ])
     return y

 f1 = StringIO.StringIO(f1)
 f2 = StringIO.StringIO(f2)

 reader1 = csv.reader( f1 )
 reader2 = csv.reader( f2 )

 keys2 = []
 for row in reader2:
     # standardize and load key
     keys2.append( standardize( row , cols2 ) )

 for row in reader1:
     # standardize and compare
     key1 = standardize( row , cols1 )
     # ------------------------------------------------
     matches = [ fuzz.ratio( key1 , k) for k in keys2 ]
     # ------------------------------------------------
     max_match = max( matches )
     max_pos = [i for i, x in enumerate(matches) if x == max_match ][0]
     print key1 , "-->" , keys2[max_pos] , ':' , max_match

---

如果您非常关心内存，您可以避免在上一个循环中分配

list

s，执行如下操作：

max\u pos，max\u match=max（（（i，enumerate（keys2）中i，k的fuzz.ratio（key1，k）），key=lambda x:（x[1]，x[0]）；print key1，“-->”，keys2[max\u pos]，“：”，max_match

。最快、最简单的方法是将数据加载到数据库中，并在键上添加索引。索引是您想要的，但重新创建数据库以实现这一内存效率将是一项相当大的工作。文件是否有可能排序？Bakuriu：很好，谢谢。Jochen：我正在使用sqlite3对键进行索引两个地址文件的zipcode都是匹配的。Alexis：这些文件没有排序。两个文件中关键字段的拼写变化会不会击败预排序方法？