0

我正在寻找用于处理元组/csv 文件/sqlite db 记录/numpy.darray 中的大量记录的缓冲区代码,该缓冲区可能就像 linux 命令“更多”。

请求来自处理大量数据记录(可能是 100000000 行),记录可能如下所示:

0.12313 0.231312 0.23123 0.152432
0.22569 0.311312 0.54549 0.224654
0.33326 0.654685 0.67968 0.168749
...
0.42315 0.574575 0.68646 0.689596

我想在 numpy.darray 中处理它们。例如,找到特殊数据对其进行处理并将其存储回来,或者处理 2 列。但是它太大了,如果 numpy 直接读取文件,它会给我一个内存错误。

然后,我认为像mem cache page或linux“更多文件”命令这样的适配器可以在处理时节省内存。

因为这些原始数据可能呈现为不同的格式 - csv / sqlite_db / hdf5 / xml。我希望这个适配器更加规范化,那么,使用“[]”作为“行”可能是一种更常见的方式,因为我认为每个记录都可以表示为一个[]。

所以我想要的适配器可能看起来像这样:

fd = "a opend big file" # or a tuple of objects, whatever, it is an iterable object can access all the raw rows 

page = pager(fd)

page.page_buffer_size = 100    # buffer 100 line or 100 object in tuple

page.seek_to(0)        # move to start
page.seek_to(120)      # move to line #120
page.seek_to(-10)      # seek back to #120

page.next_page()        
page.prev_page()

page1 = page.copy()

page.remove(0)

page.sync()

有人可以告诉我一些提示以防止重新发明轮子吗?

顺便说一句,ATpy,http ://atpy.sourceforge.net/是一个模块,可以将 numpy.array 与不同格式的原始数据源同步,但是,它也可以将所有数据读取到内存中。

到目前为止,pytable 不适合我,因为它不支持 SQL,并且 HDF5 文件可能不像 sqlite db 那样受欢迎(如果这是错误的,请原谅我)。

   My plan is write this tools in this way:
    1. helper.py        <-- define all the house-keeping works for different file format
                            |- load_file()
                            |- seek_backword()       
                            |- seek_forward()
                            | ...
    2. adapter.py       <-- define all the interface and import the helper to interact 
                            with raw data and get a way to interact with numpy.darray in somehow.
                            |- load()
                            |- seek_to()
                            |- next_page()
                            |- prev_page()
                            |- sync()
                            |- self.page_buffer_size
                            |- self.abs_index_in_raw_for_this_page = []
                            |- self.index_for_this_page = []
                            |- self.buffered_rows = []

谢谢,

Rgs,

KC

4

2 回答 2

0

linecache模块可能会有所帮助——您可以调用以getline(filename, lineno)有效地从给定文件中检索行。

您仍然需要弄清楚屏幕的高度和宽度。快速浏览一下,大约有 14 种不同的方法可以做到这一点,其中一些可能已经过时了。curses模块可能是您最好的选择,如果您希望能够顺利向后滚动,我认为这是必要的。

于 2010-09-29T11:40:32.287 回答
0

嗯....您实际上只是在谈论列表之外的任何内容。

fd = open( "some file", "r" )
data =  fd.readlines()

page_size = 100

data[0:0+page_size] # move to start
data[120:120+page_size] # move to line 120
here= 120
data[here-10:here-10+page_size] # move back 10 from here
here -= 10
data[here:here+page_size]
here += page_size
data[here:here+page_size]

我不确定您是否真的需要发明任何东西。

于 2010-09-29T11:49:42.267 回答