在 python 中有效地提取大文件的子集

Question

我有一个几百万行文本的大文件。我想随机均匀地从该文件中提取较小的（250000 行）。我做了以下代码，但它出奇地非常慢，实际上慢得无法使用。我能做些什么来加快速度？

def get_shorter_subset(fname, new_len):
"""Extract a random shorter subset of length new_len from a given file"""
   out_lines = []
   with open(fname + "short.out", 'w') as out_file:
      with open(fname, 'r') as in_file:
        all_lines = in_file.readlines()
        total = len(all_lines)
        print "Total lines:", total
        for i in range(new_len):
            line = np.random.choice(all_lines)
            out_lines.append(line.rstrip('trn'))
            #out_file.write(line.rstrip('trn'))
            print "Done with", i, "lines"
            all_lines.remove(line)
      out_file.write("n".join(out_lines))

Answer 1

所以，问题：

all_lines = in_file.readlines()将所有行读取到内存中可能不是执行此操作的最佳方法......但是如果你要这样做，那么绝对不要这样做：all_lines.remove(line)因为这是一个O（N）操作，你在一个循环中执行，给你二次复杂度。

我怀疑通过简单地做一些事情来获得巨大的性能改进：

idx = np.arange(total, dtype=np.int32)
idx = np.random.choice(idx, size=new_len, replace=False)
for i in idx:
    outfile.write(all_lines[i])

Answer 2

您也可以尝试使用 mmap：

https://docs.python.org/3.6/library/mmap.html

Answer 3

读取所有行，将它们保存在内存中，然后对生成的文本执行 250K 大字符串操作。 每次从文件中删除一行时，Python 都必须为剩余的行创建一个新副本。

相反，只需随机抽取样本。 例如，如果您有 500 万行，则需要 5% 的文件。 读取文件，一次一行。 掷出随机浮点数。 如果为 <= 0.05，请将该行写入输出。

对于如此大的样本，您最终将获得所需大小的输出。

Answer 4

利用 Python numpy 库。numpy.choice()功能提供您需要的功能。它将在一次调用中获取最大所需大小的线路样本。所以你的函数看起来像：

import numpy as np
def get_shorter_subset(fname, new_len):
    """Extract a random shorter subset of length new_len from a given file"""
    with open(fname + " short.out", 'w') as out_file, open(fname, 'r') as in_file:
        out_file.write(''.join(np.random.choice(list(in_file), new_len, False)))
get_shorter_subset('input.txt', 250000)

Answer 5

感谢您的回答，我做了一个解决方案，在每个索引处生成一个随机数（概率对应于 new_size/full_size），并据此选择或丢弃每个元素。所以代码是：

def get_shorter_subset(fname, new_len):
"""Extract a random shorter subset of length new_len from a given 
   file"""
   out_lines = []
   with open(fname + "short.out", 'w') as out_file:
       with open(fname, 'r') as in_file:
           all_lines = in_file.readlines()
           total = len(all_lines)
           freq = total/new_len + 1
           print "Total lines:", total, "new freq:", freq
           for i, line in enumerate(all_lines):
               t = np.random.randint(1,freq+1)
               if t == 1:
                   out_lines.append(line.rstrip('trn'))
               #out_file.write(line.rstrip('trn'))
               if i % 10000 == 0:
                   print "Done with", i, "lines"
       out_file.write("n".join(out_lines))