15

我有包含表示 ISO 格式日期的字符串列表的数据文件。目前，我正在阅读它们：

mydates = [ datetime.datetime.strptime(timdata[x], "%Y-%m-%dT%H:%M:%S") for x in range(len(timedata)) ]

这看起来很简单，但是在处理约 25000 个日期的大型列表时速度非常慢 -> 每个转换列表大约 0.34 秒。由于我有数千个这样的列表，我正在寻找一种更快的方法。但是，我还没有找到一个。dateutil 解析器的性能更差......

4

2 回答 2

22

这是一种将速度提高 3 倍的方法。

原始版本：

In [23]: %timeit datetime.datetime.strptime("2013-01-01T01:23:45", "%Y-%m-%dT%H:%M:%S")
10000 loops, best of 3: 21.8 us per loop

更快的版本：

In [24]: p = re.compile('[-T:]')

In [26]: %timeit datetime.datetime(*map(int, p.split("2013-01-01T01:23:45")))
100000 loops, best of 3: 7.28 us per loop

这显然远没有strptime().

编辑：使用单个正则表达式来提取日期组件稍微快一点：

In [48]: pp = re.compile(r'(\d{4})-(\d{2})-(\d{2})T(\d{2}):(\d{2}):(\d{2})')

In [49]: %timeit datetime.datetime(*map(int, pp.match("2013-01-01T01:23:45").groups()))
100000 loops, best of 3: 6.92 us per loop
于 2013-01-04T19:23:01.533 回答
12

索引/切片似乎比@NPE 使用的正则表达式更快：

In [47]: def with_indexing(dstr):                              
   ....:     return datetime.datetime(*map(int, [dstr[:4], dstr[5:7], dstr[8:10],
   ....:                               dstr[11:13], dstr[14:16], dstr[17:]])) 

In [48]: p = re.compile('[-T:]')

In [49]: def with_regex(dt_str):
   ....:     return datetime.datetime(*map(int, p.split(dt_str)))

In [50]: %timeit with_regex(dstr)
100000 loops, best of 3: 3.84 us per loop

In [51]: %timeit with_indexing(dstr)
100000 loops, best of 3: 2.98 us per loop

我认为如果您使用文件解析器numpy.genfromtxt，converters参数和快速字符串解析方法，您可以在不到半秒的时间内读取和解析整个文件。

我使用以下函数创建了一个包含大约 25000 行、ISO 日期字符串作为索引和 10 个数据列的示例文件：

import numpy as np
import pandas as pd

def create_data():
    # create dates
    dates = pd.date_range('2010-01-01T00:30', '2013-01-04T23:30', freq='H')
    # convert to iso
    iso_dates = dates.map(lambda x: x.strftime('%Y-%m-%dT%H:%M:%S'))
    # create data
    data = pd.DataFrame(np.random.random((iso_dates.size, 10)) * 100,
                        index=iso_dates)
    # write to file
    data.to_csv('dates.csv', header=False)

比我使用以下代码来解析文件：

In [54]: %timeit a = np.genfromtxt('dates.csv', delimiter=',',
                                   converters={0:with_regex})
1 loops, best of 3: 430 ms per loop

In [55]: %timeit a = np.genfromtxt('dates.csv', delimiter=',',
                                   converters={0:with_indexing})
1 loops, best of 3: 391 ms per loop

pandas（基于 numpy）有一个基于 C 的文件解析器，它甚至更快：

In [56]: %timeit df = pd.read_csv('dates.csv', header=None, index_col=0, 
                                  parse_dates=True, date_parser=with_indexing)
10 loops, best of 3: 167 ms per loop
于 2013-01-04T23:48:16.677 回答