选择“非重复计数”真的很慢

我有一个大约 7000 个对象的循环，在循环中我需要获得结构列表的不同计数。目前我正在使用 -

foreach (var product in productsToSearch)
{
    Console.WriteLine("Time elapsed: {0} start", stopwatch.Elapsed);
    var cumulativeCount = 0;
    productStore.Add(product);
    var orderLinesList = totalOrderLines
        .Where(myRows => productStore.Contains(myRows.Sku))
        .Select(myRows => new OrderLineStruct
        {
            OrderId = myRows.OrderId,
            Sku = myRows.Sku
        });
    var differences = totalOrderLines.Except(orderLinesList);
    cumulativeCount = totalOrderLinsCount - differences.Select(x => x.OrderId).Distinct().Count();
    cumulativeStoreTable.Rows.Add(product, cumulativeCount);      
    Console.WriteLine("Time elapsed: {0} end", stopwatch.Elapsed);
}
public struct OrderLineStruct
{
    public string OrderId { get; set; }
    public string Sku { get; set; }
}

在获取非重复计数时，这非常慢。有人知道更有效的方法吗？我尝试使用MoreLinq，它有一个用于Linq的DisctintBy方法，但它并没有更有效，因为我已经计时了。我已经玩过 PLinq，但我有点不确定在哪里并行化这个查询。

因此，循环的每次迭代都定时在 -
已用时间：00：00：37.1142047 开始
已用时间：00：00：37.8310148 结束

= 0.7168101 秒* 7000 = 5017.6707（83.627845 分钟）

它是 Distinct（） Count（）行，处理时间最长（约 0.5 秒）。变量差异有几十万个 OrderLineStruct，因此对此进行任何 linq 查询都很慢。

更新

我已经对循环进行了一些修改，现在它在大约 10 分钟内运行，而不是超过 1 小时

foreach (var product in productsToSearch)
{
    var cumulativeCount = 0;
    productStore.Add(product);
    var orderLinesList = totalOrderLines
        .Join(productStore, myRows => myRows.Sku, p => p, (myRows, p) => myRows)
        .Select(myRows => new OrderLineStruct
        {
            OrderId = myRows.OrderId,
            Sku = myRows.Sku
        });
    totalOrderLines = totalOrderLines.Except(orderLinesList).ToList();
    cumulativeCount = totalOrderLinesCount - totalOrderLines.Select(x => x.OrderId).Distinct().Count();
    cumulativeStoreTable.Rows.Add(product, cumulativeCount);
}

具有 .Except 上的 ToList（）似乎有所作为，现在我在每次迭代后删除已处理的订单，从而提高每次迭代的性能。

你在错误的地方寻找问题。

orderLinesList、differences 和 differences.Select(x => x.OrderId).Distinct() 只是具有延迟执行的 LINQ to 对象链接查询方法，Count() 方法正在执行所有这些方法。

您的处理算法效率非常低。瓶颈是orderLinesList查询，它为每个product迭代整个totalOrderLines列表，并且它被链接（包含）在Except，Distinct等中 - 再次，在循环内，即7000+次。

以下是 IMO 执行相同操作的示例高效算法：

Console.WriteLine("Time elapsed: {0} start", stopwatch.Elapsed);
var productInfo =
(
    from product in productsToSearch
    join line in totalOrderLines on product equals line.Sku into orderLines
    select new { Product = product, OrderLines = orderLines }
).ToList();
var lastIndexByOrderId = new Dictionary<string, int>();
for (int i = 0; i < productInfo.Count; i++)
{
    foreach (var line in productInfo[i].OrderLines)
        lastIndexByOrderId[line.OrderId] = i; // Last wins
}
int cumulativeCount = 0;
for (int i = 0; i < productInfo.Count; i++)
{
    var product = productInfo[i].Product;
    foreach (var line in productInfo[i].OrderLines)
    {
        int lastIndex;
        if (lastIndexByOrderId.TryGetValue(line.OrderId, out lastIndex) && lastIndex == i)
        {
            cumulativeCount++;
            lastIndexByOrderId.Remove(line.OrderId);
        }
    }
    cumulativeStoreTable.Rows.Add(item.Product, cumulativeCount);
    // Remove the next if it was just to support your processing
    productStore.Add(item.Product);
}
Console.WriteLine("Time elapsed: {0} end", stopwatch.Elapsed);

在你的例子中，正如Jon Hanna提到的，瓶颈是Except方法。
Distinct和Count具有第二优先权。
可以通过对方法的每个部分强制实施枚举并放置秒表来验证这一点。

foreach (var product in productsToSearch)
{
    var cumulativeCount = 0;
    productStore.Add(product);
    olSw.Start();
    var orderLinesList = totalOrderLines
        .Where(myRows => productStore.Contains(myRows.Sku))
        .Select(myRows => new OrderLineStruct
        {
            OrderId = myRows.OrderId,
            Sku = myRows.Sku
        }).ToList();
    olSw.Stop();
    exSw.Start();
    var differences = totalOrderLines.Except(orderLinesList).ToList();
    exSw.Stop();
    dcSw.Start();
    cumulativeCount = totalOrderLinsCount - differences.Select(x => x.OrderId).Distinct().Count();
    dcSw.Stop();
}

测量：
productsToSearch计数100
totalOrderLines计数300 000

Total olSw time: 00:00:01.3583340
Total exSw time: 00:00:14.3304959 Total dcSw time: 00:00:04.1986018

exSw时间可以通过显式实施GetHashCode来减少OrderLineStruct

使用显式GetHashCode：

Total olSw time: 00:00:01.4045676
Total exSw time: 00:00:08.4691066 Total dcSw time: 00:00:03.9439711

不带冗余枚举的总时间更改：
默认GetHashCode Total time: 00:00:18.9649790
显式GetHashCode Total time: 00:00:12.7736320

更新：
您也可以通过更改方法逻辑来优化这一点。

例如，您可以从 totalOrderLines 创建HashSet，然后从中删除项目。

var orderLinesList = totalOrderLines
    ... 
    .ToList();
orderLinesList.ForEach(item => totalOrderLines.Remove(item));
cumulativeCount = totalOrderLinsCount - totalOrderLines.Select(x => x.OrderId).Distinct().Count();

就我而言，它将总时间减少到 7 秒。
Total time: 00:00:07.0851111

在这种情况下，通过Dictinct TotalOrderLines进行枚举是一个瓶颈，但这需要O(N)时间，这没关系。

我建议更改 LINQ 查询的这一部分

totalOrderLines.Where(myRows => productStore.Contains(myRows.Sku))

到加入以阅读如下：

totalOrderLines.Join(productStore, myRows => myRows.Sku, p => p, (myRows, p) => myRows)

这样，您只需支付一次费用，而不是让 Contains 遍历您的产品商店列表 7，000 次，效率非常低。此外，如果可以将id设置为整数数据类型（int，long）而不是字符串，则也应该进行更快的搜索和比较。但我想你的模型的结构已经基本确定。

totalOrderLines源自哪里？也许是MSSQL数据库？如果是这样，则必须在 OrderId 列上有一个索引。在此列上执行没有索引的 Distinct（）会强制数据库引擎遍历所有行以标识非重复值。

相关内容

最新更新

热门标签：