2011-01-07 90 views
2

我有一个由7列和〜900k行组成的数据集。所有列都是非唯一的,所有值都是整数。对于过滤什么是在Python中过滤整数表的最快方法?

两个重要条件:

  • 我严格希望看到哪些值有在一列当我申请的休息条件。
  • 对于输出我只对不同的值感兴趣。

此处作为一例是用于基准测试性能的SQL查询:

SELECT DISTINCT 
col_2 
FROM dataset 
WHERE 
c_1 in (1,9,5,6,8,18,14,7,15) AND 
c_3 in (1) AND 
c_4 in (61) AND 
c_5 in (3) AND 
c_6 in (0) AND 
c_7 in (0) 

我尝试的第一个方法是SQL与使用SQLite指数,它并没有做太糟糕了,但作为过滤器回报很多,表现下降。

然后我在Python中尝试了普通的香草列表解析。性能比在SQL情况下差一点。

有没有更好的方法来做到这一点?我在朝numpy的方向思考,也许使用比列表和SQL表更高效的数据结构?

我对速度和性能非常感兴趣,效率更低。

欢迎任何建议!

+0

听起来确实像一个数据库是不是最好的方式来存储这个。你有没有想过使用[Cython](http://cython.org/)?当您添加静态类型注释时,存储效率会更高(您可以使用机器字)并且速度相当快(出于同样的原因)。 – delnan 2011-01-07 09:44:09

+0

当你试图SQLite是你的数据库在内存或磁盘?如果它是在一个文件上尝试使用`:memory:`,使用sqlite的内存数据库通常比Python这样的任务快得多。你的所有专栏索引? – 2011-01-07 09:47:52

+1

我同意DB解决方案在这里并不是最好的选择,我更多地将它用作基准测试工具。我正在做一个c-extension作为一个实验。然而,我想知道在Numpy中是否有一种有效的方式来做到这一点,对我来说这是一个未知的领域。 – c00kiemonster 2011-01-07 09:49:29

回答

2

以下是关于你所说的每列大约20个不同的值,除了一个是400.如果内存和加载时间不是一个担心,那么我建议为每列的值创建集。

下面是生成一个示例数据集的东西。

#!/usr/bin/python 
from random import sample, choice 
from cPickle import dump 

# Generate sample dataset 
value_ceiling = 1000 
dataset_size = 900000 
dataset_filename = 'dataset.pkl' 

# number of distinct values per column 
col_distrib = [400,20,20,20,20,20,20] 

col_values = [ sample(xrange(value_ceiling),x) for x in col_distrib ] 

dataset = [] 
for _ in xrange(dataset_size): 
    dataset.append(tuple([ choice(x) for x in col_values ])) 

dump(dataset,open(dataset_filename,'wb')) 

下面是加载数据集并创建每列每个值的查找集,搜索方法和样本搜索的创建。

#/usr/bin/python 

from random import sample, choice 
from cPickle import load 

dataset_filename = 'dataset.pkl' 

class DataSearch(object): 
    def __init__(self,filename): 
    self.data = load(open(filename,'rb')) 
    self.col_sets = [ dict() for x in self.data[0] ] 
    self.process_data() 
    def process_data(self): 
    for row in self.data: 
     for i,v in enumerate(row): 
     self.col_sets[i].setdefault(v,set()).add(row) 
    def search(self,*args): 
    # args are integers, sequences of integers, or None in related column positions. 
    results = [] 
    for i,v in enumerate(args): 
     if v is None: 
     continue 
     elif isinstance(v,int): 
     results.append(self.col_sets[i].get(v,set())) 
     else: # sequence 
     r = [ self.col_sets[i].get(x,set()) for x in v ] 
     r = reduce(set.union,r[1:],r[0]) 
     results.append(r) 
    # 
    results.sort(key=len) 
    results = reduce(set.intersection,results[1:],results[0]) 
    return results 
    def sample_search(self,*args): 
    search = [] 
    for i,v in enumerate(args): 
     if v is None: 
     search.append(None) 
     else: 
     search.append(sample(self.col_sets[i].keys(),v)) 
    return search 

d = DataSearch(dataset_filename) 

,并用它:

>>> d.search(*d.sample_search(1,1,1,5)) 
set([(117, 557, 273, 437, 639, 981, 587), (117, 557, 273, 170, 53, 640, 467), (117, 557, 273, 584, 459, 127, 649)]) 
>>> d.search(*d.sample_search(1,1,1,1)) 
set([]) 
>>> d.search(*d.sample_search(10,None,1,1,1,1)) 
set([(801, 334, 414, 283, 107, 990, 221)]) 
>>> d.search(*d.sample_search(10,None,1,1,1,1)) 
set([]) 
>>> d.search(*d.sample_search(10,None,1,1,1,1)) 
set([(193, 307, 547, 549, 901, 940, 343)]) 
>>> import timeit 
>>> timeit.Timer('d.search(*d.sample_search(10,None,1,1,1,1))','from __main__ import d').timeit(100) 
1.787431001663208 

1.8秒做100个搜索速度不够快?

0

这就是我想出了:

513 $ cat filtarray.py 
#!/usr/bin/python2 
# 
import numpy 
import itertools 

a = numpy.fromiter(xrange(7*900000), int) 
a.shape = (900000,7) 
# stuff a known match 
a[33][0] = 18 
a[33][2] = 1 
a[33][3] = 61 
# filter it, and make list, but that is not strictly necessary. 
res = list(itertools.ifilter(lambda r: r[0] in (1,9,5,6,8,18,14,7,15) and r[2] == 1 and r[3] == 61, a)) 
print res 

它运行在Intel E8400:

512 $ time python filtarray.py 
[array([ 18, 232, 1, 61, 235, 236, 237])] 
python filtarray.py 5.36s user 0.05s system 99% cpu 5.418 total 

是快一点吗?

0

这是一个numpy版本,大约需要1秒。

x = numpy.random.randint(0, 100, (7, 900000)) 

def filter(data, filters): 
    indices = [] 
    for i, filter in enumerate(filters): 
     indices.append(numpy.any([data[i] == x for x in filter], 0)) 

    indices = numpy.all(indices, 0) 
    return data[indices] 

# Usage: 
filter(x, [(1,9,5,6,8,18,14,7,15), (1,), (61,), (3,), (0,), (0,)]) 

%timeit filter(x, [(1,9,5,6,8,18,14,7,15), (1,), (61,), (3,), (0,), (0,)]) 
1 loops, best of 3: 903 ms per loop 
相关问题