python去重计数_Python 快速统计数据的去重数和去重数据

之前用 Python 写过一个脚本，用来处理上千万用户的一些数据，其中有一个需求是统计用户的某一数据的去重数量。为了加快程序的速度，我启用了多进程。但不幸的是，程序跑了近一个星期，还没处理完。这时，我感觉到了不对，于是开始查看程序的性能瓶颈。

对于统计去重数，我是将用户的数据放到一个列表中，然后用 len(set(data)) 去统计去重数量。刚开始我以为这的数据量并不大，每个用户的数据不会过百，我并没有注意到有的用户会有上万条的数据，因此消耗了大量的时间（其实我的脚本消耗时间最大的地方是因为从远程 redis 中取大量数据时发生长时间的阻塞，甚至连接超时，最后我采用的方式分而治之，每次取少量的数据，这样大大的提高了性能）。

为了做优化，我开始寻求高效的方法。我发现，有大量的人认为采用字典效率会更高，即：

data_unique = {}.fromkeys(data).keys()

len(data_unique)

于是，我做了下测试：

In [1]: import random

In [2]: data = [random.randint(0, 1000) for _ in xrange(1000000)]

In [3]: %timeit len(set(data))

10 loops, best of 3: 39.7 ms per loop

In [4]: %timeit len({}.fromkeys(data).keys())

10 loops, best of 3: 43.5 ms per loop

由此可见，采用字典和采用集合的性能是差不多的，甚至可能还要慢些。

在 Python 中其实有很多高效的库，例如用 numpy、pandas 来处理数据，其性能接近于 C 语言。那么，我们就用 numpy 和 pandas 来解决这个问题，这里我还比较了获取去重数据的性能，代码如下：

import collections

import random as py_random

import timeit

import numpy.random as np_random

import pandas as pd

DATA_SIZE = 10000000

def py_cal_len():

data = [py_random.randint(0, 1000) for _ in xrange(DATA_SIZE)]

len(set(data))

def pd_cal_len():

data = np_random.randint(1000, size=DATA_SIZE)

data = pd.Series(data)

data_unique = data.value_counts()

data_unique.size

def py_count():

data = [py_random.randint(0, 1000) for _ in xrange(DATA_SIZE)]

collections.Counter(data)

def pd_count():

data = np_random.randint(1000, size=DATA_SIZE)

data = pd.Series(data)

data.value_counts()

# Script starts from here

if __name__ == "__main__":

t1 = timeit.Timer("py_cal_len()", setup="from __main__ import py_cal_len")

t2 = timeit.Timer("pd_cal_len()", setup="from __main__ import pd_cal_len")

t3 = timeit.Timer("py_count()", setup="from __main__ import py_count")

t4 = timeit.Timer("pd_count()", setup="from __main__ import pd_count")

print t1.timeit(number=1)

print t2.timeit(number=1)

print t3.timeit(number=1)

print t4.timeit(number=1)

运行结果：

12.438587904

0.435907125473

14.6431810856

0.258564949036

利用 pandas 统计数据的去重数和去重数据，其性能是 Python 原生函数的 10 倍以上。

python去重计数_Python 快速统计数据的去重数和去重数据相关推荐

elasticsearch 条件去重_elasticsearch 笔记四之聚合查询之去重计数、基础统计、百分位、字符串统计...
这一节笔记还是聚合查询,以下是本节目录:去重统计 cardinality 基础统计 stats 百分位 percentiles 字符串统计 string_stats 1.去重统计 cardinalit ...
python对二维数组统计某一行的去重计数_Python数据分析笔记——Numpy、Pandas库
利用Python进行数据分析中有两个重要的库是Numpy和Pandas,本章将围绕这两个库进行展开介绍. Numpy库 Numpy最重要的一个特点是就是其N维数组对象,即ndarray,ndarray ...
python去重计数_Python list去重及找出，统计重复项
http://bbs.chinaunix.net/thread-1680208-1-1.html http://www.cnblogs.com/feisky/archive/2012/12/06/28 ...
python中计数_Python中的统计计数
关闭.此问题不符合堆栈溢出准则.它当前不接受答案. 想改善这个问题吗?更新问题,使其成为Stack Overflow的主题. 6年前关闭. 我有一组五个字母A..E.我想将它们分成3个一组,不重复字母 ...
python 去重字典_python按照list中字典的某key去重的示例代码
一.需求说明当我们写爬虫的时候,经常会遇到json格式的数据,它通常是如下结构: data = [{'name':'小K','score':100}, {'name':'小J','score':98 ...
python r转义_Python快速入门系列之二：还学不会我直播跪搓衣板
Python作为一个,目前最火的编程语言之一,已经渗透到了各行各业.它易学好懂,拥有着丰富的库,功能齐全.人生苦短,就用Python. 这个快速入门系列分为六篇,包含了Python大部分基础知识,每篇 ...
python 字典计数_python怎么用字典计数
python用字典计数的方法:1.利用第三方库random生成随机数列表:2.利用字典的get方法取值,如果已存在就加一,不存在就默认值为0:3.得到的字典即为所有数据计数后的字典数据. 首先利用ra ...
python 财务报表建模_Python进行统计建模
前言大家好,在之前的文章中我们已经讲解了很多Python数据处理的方法比如读取数据.缺失值处理.数据降维等,也介绍了一些数据可视化的方法如Matplotlib.pyecharts等,那么在掌握了这些 ...
python docs 举例_Python 快速入门
Python 快速入门 04/20/2019 本文内容此快速入门旨在帮助你在 Python 3 中进行第一个 API 调用. 必须具有PlayFab 开发人员帐户,才能调用任何 PlayFab AP ...

python去重计数_Python 快速统计数据的去重数和去重数据

python去重计数_Python 快速统计数据的去重数和去重数据相关推荐

最新文章

热门文章