从数组中提取值的最快方法？

Question

我在 elasticsearch 中有一组 11 毫米的文档，每个文档都有一个标识符数组。每个标识符都是一个包含类型、值和日期的字典。这是一个示例记录：

{
  "name": "Bob",
  "identifiers": [
    {
      "date": "2019-01-01",
      "type": "a",
      "value": "abcd"
    },
    {
      "date": "2019-01-01",
      "type": "b",
      "value": "efgh"
    }
  ]
}

我需要每晚将这些记录传输到 parquet 数据存储，其中只有标识符的值保存在数组中。喜欢：

{
  "name": "Bob",
  "identifiers": ["abcd", "efgh"]
}

我通过循环遍历所有记录并展平标识符来做到这一点。这是我的扁平化变压器：

    def _transform_identifier_values(self, identifiers: List[dict]):
        ret = [
            identifier['value']
            for identifier in identifiers
        ]
        return ret

这可行，但速度很慢。有没有更快的方法来做到这一点？可能是我可以利用的本机实现？

编辑：

尝试了 Sunny 的建议。我惊讶地发现原版实际上表现最好。我的假设是itemgetter 的性能会更好。

这是我的测试方法：

import time
from functools import partial
from operator import itemgetter


def main():

    docs = []
    for i in range(10_000_000):
        docs.append({
            'name': 'Bob',
            'identifiers': [
                {
                    'date': '2019-01-01',
                    'type': 'a',
                    'value': 'abcd'
                },
                {
                    'date': '2019-01-01',
                    'type': 'b',
                    'value': 'efgh'
                }
            ]
        })

    start = time.time()
    for doc in docs:
        _transform_identifier_values_original(doc['identifiers'])
    end = time.time()

    print(f'Original took {end-start} seconds')

    start = time.time()
    for doc in docs:
        _transform_identifier_values_getter(doc['identifiers'])
    end = time.time()

    print(f'Item getter took {end-start} seconds')

    start = time.time()
    for doc in docs:
        _transform_identifier_values_partial_lambda(doc['identifiers'])
    end = time.time()

    print(f'Lambda partial took {end-start} seconds')

    start = time.time()
    for doc in docs:
        _transform_identifier_values_partial(doc['identifiers'])
    end = time.time()

    print(f'Partial took {end-start} seconds')


def _transform_identifier_values_original(identifiers):
    ret = [
        identifier['value']
        for identifier in identifiers
    ]
    return ret


def _transform_identifier_values_getter(identifiers):
    return list(map(itemgetter('value'), identifiers))


def _transform_identifier_values_partial_lambda(identifiers):
    flatten_ids = partial(lambda o: list(map(itemgetter('value'), o)))
    return flatten_ids(identifiers)


def _transform_identifier_values_partial(identifiers):
    flatten = partial(map, itemgetter('value'))
    return list(flatten(identifiers))

if __name__ == '__main__':
    main()

结果：

原始耗时 4.6204328536987305 秒

项目获取器耗时 7.186180114746094 秒

Lambda 部分耗时 10.534514904022217 秒

部分耗时 9.07079291343689 秒

Answer 1

您可以尝试使用operator.itemgetter。

from operator import itemgetter
def _transform_identifier_values(self, identifiers: List[dict]):
    return list(map(itemgetter('value'), identifiers))

甚至可以用它制作一个partial function：

from operator import itemgetter
from functools import partial
flatten_ids = partial(lambda o: list(map(itemgetter('value'), o['identifiers'])))
print(flatten_ids(obj))

如果你想避免 lambda，你可以尝试：

flatten = partial(map, itemgetter('value'))
print(list(flatten(obj['identifiers'])))

我很想看看这些结果。

Answer 2

这是我想出的一个解决方案：

def changeJSON(dictionary):
    new_dict = {'name': dictionary['name'], 'identifiers': []}
    for i in dictionary['identifiers']:
        new_dict['identifiers'].append(i['value'])
    return new_dict

此函数将接收一个字典并以您所需的新格式返回该字典。然后，您可以从内置的 json 库中使用 json.dumps() 函数。它接收一个字典列表并将它们转储到一个 json 文件中。