使用 Python 从大文本文件到稀疏矩阵

Question

我正在尝试找到一种有效的方法来读取一个非常大的文本文件（大约 2,000,000 行）。这些行中大约 90%（实际上是最后 90%）具有三列格式，用于存储稀疏矩阵。

这就是我所做的。首先，我处理文件的前 10%：

i=1
cpt=0
skip=0
finnum=0
indice=1 
vec=[]
mat=[]
for line in fileinput.input("MY_TEXT_FILE.TXT"):
if i==1:
    # skipping the first line
    skip = 1
if (finnum == 0)and(skip==0):
    # special reading operation for the first 10% (approximately)
    tline=shlex.split(line)
    ind_loc=0
    while ind_loc<len(tline):
    if (int(tline[ind_loc])!=0):
            vec.append(int(tline[ind_loc]))
        ind_loc=ind_loc+1   
if (finnum == 1)and(skip==0):
    print('finnum = 1')
    h=input()    
        break       
    if (' 0' in line):
    finnum = 1
if skip == 0:
    i=i+1
else:
    skip=0
    i=i+1
cpt=cpt+1

然后我将剩下的 90% 提取到一个列表中：

matrix=[]
with open('MY_TEXT_FILE.TXT') as f:
for i in range(cpt):
    f.next()
for line in f:
    matrix.append(line)

这允许以低内存消耗非常快速地读取文本文件。缺点是 ma​​trix 是一个字符串列表，每个字符串类似于：

>>> matrix[23]
'           5          11  8.320234929063493E-008\n'

我尝试在 ma​​trix 的行上使用迭代过程并结合 shlex.split 命令从字符串列表转到数组，但这是非常耗时。

您是否知道从字符串列表到数组的快速策略？

我想知道是否有比这个过程更快的方法：

A=[0]*len(matrix)
B=[0]*len(matrix)
C=[0]*len(matrix)
for i in range(len(matrix)):
     line = shlex.split(matrix[i])
     A[i]=float(line[0])
     B[i]=float(line[1])
     C[i]=float(line[2])

阿兰

Answer 1

看，我想出了这个混合解决方案，它似乎工作得更快。我创建了一个 100 万个样本随机数据，就像你上面提到的那样，并对你的代码进行了计时。顺便说一句，我的 Mac 电脑用了 77 秒，这是一台超级快的电脑。 使用 numpy 而不是 shlex 来拆分字符串最终需要 5 秒的处理过程。

A=[0]*len(matrix)
B=[0]*len(matrix)
C=[0]*len(matrix)
for i in range(len(matrix)):
    full_array = np.fromstring(matrix[i], dtype=float, sep=" ")
    A[i]=full_array[0]
    B[i]=full_array[1]
    C[i]=full_array[2]

我进行了几次测试，它似乎运行良好，速度提高了 14 倍。 希望对你有帮助。

Answer 2

当您处理大量数值数据时，您应该真正使用Numpy，而不是纯python。这通常会快 10 倍以上，并且可以让您访问 Matlab 风格的复杂计算。我现在没有时间转换您的代码（并且拥有一个示例文件是最简单的），但可以肯定的是，使用numpy.loadtxt 可以快速有效地读取文件的第二部分。跳过第一部分并转换为浮点数的代码的整个第二部分可能可以通过以下方式完成：

A, B, C = np.loadtxt('MY_TEXT_FILE.TXT', skiprows = cpt, unpack = True)

您可能想使用数据格式（通过添加dtype = (int, int, float) 左右，不知道具体如何执行此操作），因为我猜前两列是整数。

另请注意，numpy 有一个可用的 sparse matrix 数据类型。