作者sariel0322 (sariel)
看板Python
標題[問題] 想請問有更有效率的寫法嗎?
時間Sun Aug 24 14:05:40 2014
我想把一個列數相當多的csv檔案
把裡面重複的列數給刪除掉
我只能想到這種寫法:
import csv
rows = []
a = 0
o = open("output.csv","w")
f = open("input.csv","r")
for row in csv.reader(f):
rows.append(row[0]+","+row[1]+","+row[2]+","+row[3]+","+row[4]+","+row[5]+","+row[6]+","+row[7]+","+row[8]+","+row[9]+","+row[10])
for i in set(rows):
o.write(i+"\n")
f.close()
o.close()
但由於行數非常多，資料量也大(csv檔案約400mb)
因此全部跑完可能需要五天(有寫個計數器來大約計算過，為了節省空間沒列出來)
想請問有沒有更有效率的寫法
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 182.234.196.206
※ 文章網址: http://webptt.com/m.aspx?n=bbs/Python/M.1408860343.A.6B1.html
1F：推 LiloHuang: 如果重複的資料很多，應該可以不用先把資料放到list內 08/24 17:02
2F：→ LiloHuang: 提供一個做法也許不見得會變快 XD 08/24 17:03
3F：→ LiloHuang: import csv 08/24 17:04
4F：→ LiloHuang: uniqueSet = set() 08/24 17:04
5F：→ LiloHuang: o = open("output.csv","w") 08/24 17:04
6F：→ LiloHuang: f = open("input.csv","r") 08/24 17:04
7F：→ LiloHuang: for row in csv.reader(f): 08/24 17:04
8F：→ LiloHuang: line = ",".join(row) 08/24 17:04
9F：→ LiloHuang: if line not in uniqueSet: 08/24 17:05
10F：→ LiloHuang: o.write(line + "\n") 08/24 17:05
11F：→ LiloHuang: uniqueSet.add(line) 08/24 17:05
12F：→ LiloHuang: f.close() 08/24 17:05
13F：→ LiloHuang: o.close() 08/24 17:05
14F：→ LiloHuang: 有時候性能瓶頸是在硬碟本身，可以看看 CPU 是否有吃滿 08/24 17:11
15F：→ LiloHuang: 畢竟 400mb 的 CSV 要跑到五天真的有點久了些... 08/24 17:12
16F：→ LiloHuang: 避免先放到 list 再轉，至少可以省掉一次 O(n) 的浪費 08/24 17:19
17F：→ yjc1: 不考慮用shell的sort -n < input.csv | uniq > output.csv ? 08/24 20:41
18F：推 LiloHuang: 推 yjcl 的做法，雖然會動到資料先後順序，但非常優雅! 08/24 21:10