迭代大型列表（18,895 个元素）时更快的双 for 循环方法

Question

代码如下：

import csv
import re

with open('alcohol_rehab_ltp.csv', 'rb') as csv_f, \
    open('cities2.txt', 'rb') as cities, \
    open('drug_rehab_city_state.csv', 'wb') as out_csv:
    writer = csv.writer(out_csv, delimiter = ",")
    reader = csv.reader(csv_f)
    city_lst = cities.readlines()

    for row in reader:
        for city in city_lst:
            city = city.strip()
            match = re.search((r'\b{0}\b').format(city), row[0])
            if match:
                writer.writerow(row)
                break

“alcohol_rehab_ltp.csv”有 145 行，“cities2.txt”有 18,895 行（转换为列表后变为 18,895）。这个过程需要一段时间才能运行，我没有计时但可能大约 5 分钟。我在这里忽略了一些简单（或更复杂）的东西，可以使这个脚本运行得更快。我将使用其他 .csv 文件来针对“cities.txt”的大文本文件运行，这些 csv 文件可能最多有 1000 行。任何关于如何加快速度的想法将不胜感激！ 这是 csv 文件：关键字（144），平均。每次点击费用、本地搜索、广告商竞争

[alcohol rehab san diego],$49.54,90,High
[alcohol rehab dallas],$86.48,110,High
[alcohol rehab atlanta],$60.93,50,High
[free alcohol rehab centers],$11.88,110,High
[christian alcohol rehab centers],–,70,High
[alcohol rehab las vegas],$33.40,70,High
[alcohol rehab cost],$57.37,110,High

文本文件中的一些行：

san diego
dallas
atlanta
dallas
los angeles
denver

Answer 1

使用所有城市名称构建一个正则表达式：

city_re = re.compile(r'\b('+ '|'.join(c.strip() for c in cities.readlines()) + r')\b')

然后做：

for row in reader:
    match = city_re.search(row[0])
    if match:
        writer.writerow(row)

这会将循环迭代次数从 18895 x 145 减少到仅 18895，正则表达式引擎在这 145 个城市名称的字符串前缀匹配方面发挥了最大作用。

为了您的方便和测试，以下是完整列表：

import csv
import re

with open('alcohol_rehab_ltp.csv', 'rb') as csv_f, \
    open('cities2.txt', 'rb') as cities, \
    open('drug_rehab_city_state.csv', 'wb') as out_csv:
    writer = csv.writer(out_csv, delimiter = ",")
    reader = csv.reader(csv_f)

    city_re = re.compile(r'\b('+ '|'.join(c.strip() for c in cities.readlines()) + r')\b')

    for row in reader:
        match = city_re.search(row[0])
        if match:
            writer.writerow(row)

Answer 2

首先，正如@Shawn Zhang 建议的那样，(r'\b{0}\b').format(c.strip()) 可以在循环之外，您可以创建结果列表，以避免在每次迭代中写入文件。

其次，您可以尝试re.compile 编译正则表达式，这可能会提高您在正则表达式上的性能。

第三，尝试对它进行一些分析以找到瓶颈，例如使用 timeit 或其他分析器，如 ica，如果你有 SciPy。

另外，如果城市总是在第一列，并且我假设它被命名为“城市”，为什么不使用csv.DictReader() 来读取 csv？我敢肯定它比正则表达式更快。

编辑

正如您提供的文件示例，我摆脱了re（因为您似乎真的不需要它们），并使用以下代码将其速度提高了 10 倍以上：

import csv

with open('alcohol_rehab_ltp.csv', 'rb') as csv_f, \
    open('cities2.txt', 'rb') as cities, \
    open('drug_rehab_city_state.csv', 'wb') as out_csv:
    writer = csv.writer(out_csv, delimiter = ",")
    output_list = []
    reader = csv.reader(csv_f)
    city_lst = cities.readlines()

    for row in reader:
        for city in city_lst:
            city = city.strip()
            if city in row[0]:
                output_list.append(row)
    writer.writerows(output_list)

Answer 3

我认为您可以使用set 和索引：

with open('alcohol_rehab_ltp.csv', 'rb') as csv_f, \
    open('cities2.txt', 'rb') as cities, \
    open('drug_rehab_city_state.csv', 'wb') as out_csv:
    writer = csv.writer(out_csv, delimiter = ",")
    space = ""
    reader = csv.reader(csv_f)
    # make set of all city names, lookups are 0(1)
    city_set = {line.rstrip() for line in cities}
    output_list = []
    header = next(reader) # skip header
    for row in reader:
        try:
            # names are either first or last with two words preceding or following 
            # so split twice on whitespace from either direction
            if row[0].split(None,2)[-1].rstrip("]") in city_set or row[0].rsplit(None, 2)[0][1:] in city_set:
                output_list.append(row)
        except IndexError as e:
            print(e,row[0])
    writer.writerows(output_list)

运行时间现在是0(n)，而不是二次方。

Answer 4

尽管我不认为循环/IO 是大瓶颈，但如果你可以尝试从它们开始。

我可以提供两个提示： (r'\b{0}\b').format(c.strip()) 可以在循环外，这将提高一些性能，因为我们不必在每个循环中进行 strip()，格式化。

另外，您不必在每个循环中写入输出结果，而是可以创建一个结果列表ouput_list在循环期间保存结果并在循环后写入一次。

import csv
import re
import datetime

start = datetime.datetime.now()

with open('alcohol_rehab_ltp.csv', 'rb') as csv_f, \
    open('cities2.txt', 'rb') as cities, \
    open('drug_rehab_city_state.csv', 'wb') as out_csv:
    writer = csv.writer(out_csv, delimiter = ",")
    space = ""
    reader = csv.reader(csv_f)
    city_lst = [(r'\b{0}\b').format(c.strip()) for c in cities.readlines()]
    output_list = []
    for row in reader:
        for city in city_lst:
            #city = city.strip()
            match = re.search(city, row[0])
            if match:
                output_list.append(row)
                break
    writer.writerows(output_list)



end = datetime.datetime.now()

print end -  start

Answer 5

请注意，我假设您可以使用比使用re.search 更好的方法来连续查找城市，因为通常城市将由空格等分隔符分隔。否则复杂度大于 O(n*m)

一种方法是使用哈希表。

ht = [0]*MAX

读取所有城市（假设有数千个）并填写一个哈希表

ht[hash(city)] = 1

现在，当您遍历阅读器中的每一行时，

for row in reader:
    for word in row:
        if ht[hash(word)] == 1:
            # found, do stuff here
            pass