3

我一直在解决一个问题，即我有来自大型输出 .txt 文件的数据，现在必须以 .csv 的形式解析和重新组织某些值。

我已经编写了一个脚本，根据数据类型（航班 ID、纬度、经度等）将所有数据输入到列中的 .csv 中，但顺序不正确。所有值都应根据相同的航班 ID 进行分组，从最早的时间戳到最晚的时间戳。幸运的是，我的 .csv 中的所有值都按正确的时间顺序排列，但没有根据航班 ID 适当地组合在一起。

为了澄清我的描述，它现在看起来像这样，

（“时间 x”只是为了说明）：

20110117559515, , , , , , , , ,2446,6720,370,42  (Time 0)                               
20110117559572, , , , , , , , ,2390,6274,410,54  (Time 0)                               
20110117559574, , , , , , , , ,2391,6284,390,54  (Time 0)                               
20110117559587, , , , , , , , ,2385,6273,390,54  (Time 0)                               
20110117559588, , , , , , , , ,2816,6847,250,32  (Time 0) 
...

它应该像这样订购：

20110117559515, , , , , , , , ,2446,6720,370,42  (Time 0)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 1)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 2)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 3)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time N)
20110117559572, , , , , , , , ,2390,6274,410,54  (Time 0)
20110117559572, , , , , , , , ,23xx,62xx,4xx,54  (Time 1)
... and so on

为了让事情变得更容易，我输出的 .csv 中有 130 万行。我 99% 确信我编写的下一个用于修复排序的脚本中的逻辑是正确的，但我担心它的效率极低。我最终添加了一个进度条，只是为了看看它是否取得了任何进展，不幸的是，这就是我所看到的：

在此处输入图像描述

这是我处理处理的代码（如果您愿意，可以跳到问题区域）：

## a class I wrote to handle the huge .csv's ##
from BIGASSCSVParser import BIGASSCSVParser               
import collections                                                              


x = open('newtrajectory.csv')  #file to be reordered                                                  
linetlist = []                                                                  
tidict = {}               

'' To save braincells I stored all the required values
   of each line into a dictionary of tuples.
   Index: Tuple ''

for line in x:                                                                  
    y = line.replace(',',' ')                                                   
    y = y.split()                                                               
    tup = (y[0],y[1],y[2],y[3],y[4])                                            
    linetlist.append(tup)                                                       
for k,v in enumerate(linetlist):                                                
    tidict[k] = v                                                               
x.close()                                                                       


trj = BIGASSCSVParser('newtrajectory.csv')                                      
uniquelFIDs = []                                                                
z = trj.column(0)   # List of out of order Flight ID's                                                     
for i in z:         # like in the example above                                                           
    if i in uniquelFIDs:                                                        
        continue                                                                
    else:                                                                       
        uniquelFIDs.append(i)  # Create list of unique FID's to refer to later                                               

queue = []                                                                              
p = collections.OrderedDict()                                                   
for k,v in enumerate(trj.column(0)):                                            
    p[k] = v

到目前为止一切都很好，但是在下一部分中，我的计算机要么窒息，要么我的代码很烂：

for k in uniquelFIDs:                                                           
    list = [i for i, x in p.items() if x == k]                                  
    queue.extend(list)

这个想法是，对于每个唯一值，按顺序迭代 130 万个值并按顺序返回每个出现的索引，并将这些值附加到列表中。在那之后，我将读取那个大的索引列表并将该行数据的内容写入另一个 .csv 文件。达达！可能效率非常低。

这里有什么问题？有没有更有效的方法来解决这个问题？我的代码有缺陷，还是我对笔记本电脑太残忍了？

更新：

我发现，根据我处理的数据量，需要 9 到 10 个小时。我在 4.5 中正确吐出了一半。我现在可以摆脱一夜之间的紧缩，但下次可能会考虑使用数据库或其他语言。如果我提前知道我要做什么，我会的，哈哈。

为我的 SSD 调整睡眠设置后，只用了 3 个小时就可以搞定。

4

2 回答 2

3

您可以尝试 UNIXsort实用程序：

sort -n -s -t, -k1,1 infile.csv > outfile.csv

-t设置分隔符并-k设置排序键。-s稳定排序，并-n使用数值比较。

于 2013-03-01T02:19:59.100 回答
2

如果 CSV 文件适合您的 RAM（例如小于 2GB），那么您可以阅读整个内容并sort对其进行操作：

data = list(csv.reader(fn))
data.sort(key=lambda line:line[0])
csv.writer(outfn).writerows(data)

如果你不摔跤，那应该不会花很长时间。请注意，这.sort是一个stable sort，因此当键相等时它将保留文件的时间顺序。

如果它不适合 RAM，您可能会想做一些聪明的事情。例如，您可以存储每行的文件偏移量以及该行的必要信息（时间戳和航班 ID），然后对它们进行排序，并使用行偏移信息写入输出文件。

于 2013-03-01T01:40:47.370 回答