推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 1992 天前的主题，其中的信息可能已经有所发展或是发生改变。
如题
主要问题：千万级别处理起来会不会崩溃？
主要是去重
谢谢
 |
1
jdhao 2019-07-15 14:29:13 +08:00 via Android
自己做一个然后试一下不就知道了
|
 |
2
yedanten 2019-07-15 14:31:24 +08:00 via Android
得看业务情况啊，不知道你后续的处理是要做哪些操作，否则只是去重，最简单粗暴的转换为 set 就完事了
|
 |
3
shuax 2019-07-15 14:34:50 +08:00
推荐用 64 位 Python，加内存就是了。
|
 |
4
lithiumii 2019-07-15 14:37:07 +08:00
list(set(li)
崩溃了就是你电脑不行！（滑稽 |
 |
5
Takamine 2019-07-15 14:38:23 +08:00  1
既然都能打算一次性把 4000 个元素放到一个 list 里面操作，不如就直接再导入 Excel 去重:doge:。
|
 |
6
chengxiao 2019-07-15 14:40:04 +08:00
这种建议直接上 MongoDB 然后设置索引唯一去重
|
 |
7
nutting 2019-07-15 14:44:33 +08:00
内存里的操作怕啥，比数据库强多了，随便搞
|
 |
8
ipwx 2019-07-15 14:45:54 +08:00
In [4]: N = 10**8
In [5]: arr = np.random.randint(0, N, size=N) In [6]: len(arr) Out[6]: 100000000 In [7]: %timeit set(arr) 36 s ± 122 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) 给你一个时间作参考。。。 |
 |
9
ytmsdy 2019-07-15 14:46:51 +08:00
先分段排序，然后去重。
|
 |
10
v2mo OP 几千万的数据，一台电脑运行，有可行性吗？
|
 |
12
Universe 2019-07-15 14:48:32 +08:00 via Android
看精度要求，不高的话布隆过滤器可以一试
|
 |
13
pcdRob 2019-07-15 14:48:41 +08:00
几千万而已 洒洒水啦
|
 |
14
fuxiuyin 2019-07-15 14:49:13 +08:00
首先，这 4 千万个元素肯定是要便利一遍的，除非你的数据有什么特殊的规律。
其次，要看这 4 千万存在哪，内存？文件？网络？ 最后，如果没有优化空间不可避免的要对 4 千万数据过一遍那就看想优化内存还是想优化时间了，不过最快可能也就是楼上 8 楼给的。 |
 |
15
mengzhuo 2019-07-15 14:52:16 +08:00
4 千万 uint32，最大也就 40M 搞定了…… O （ N ）操作而已
|
 |
16
dji38838c 2019-07-15 14:53:53 +08:00
这样都不肯用 pandas 吗?
|
 |
17
ruandao 2019-07-15 14:54:54 +08:00
布隆过滤器
|
|
18
ruandao 2019-07-15 14:55:57 +08:00
想了想， 好像不需要
千万，也就 MB 级别吧 |
 |
19
janxin 2019-07-15 14:58:06 +08:00
数据都不说一下怎么分情况处理。
这种统一建议 list(set(data)) |
 |
21
misaka19000 2019-07-15 15:04:46 +08:00
不是，你也说一下你每条数据多大啊，每条数据 1kb 和每条数据 10mb 当然不一样
|
 |
22
vincenttone 2019-07-15 15:17:08 +08:00
既然 4 千万个元素能放进数组里，说明你内存就够用，去重就是了，就看算法对内存的使用和耗费的 cpu 时间了。
|
 |
23
flyingghost 2019-07-15 15:27:00 +08:00
4kw 个 int，160M，可以直接放内存。
设计一个分布尽可能均匀的散列函数（这一步不太确定我不是搞数学的。瞎拍一个 md5(obj)//4kw 的算法不知道效果怎么样？） 遍历每个 obj 求 hash，把 obj 的 index 放在对应的桶里。 如果桶里已有元素（ hash 冲突），单独放在另一个冲突列表里。 对于冲突列表里的每个冲突 hash，遍历并精确对比每个 obj，从源数据集删除完全相同的 obj。 稍微注意一下 getObj(index)的 O(1)复杂度，理论上可以应对任意量的数据了。 |
 |
24
princelai 2019-07-15 15:36:28 +08:00
@ipwx #8 只替换最后一步
%timeit np.unique(arr) 11.4 s ± 401 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) |
 |
25
dyllanwli 2019-07-15 15:58:33 +08:00
|
 |
26
scalaer 2019-07-15 16:01:17 +08:00
看看 bitmap
|
 |
27
lihongjie0209 2019-07-15 16:03:27 +08:00
@mggis0or1 bitmap 对于非数字型的元素无法支持, 还是用布隆过滤器吧
|
 |
28
reus 2019-07-15 16:10:58 +08:00
你这水平，处理什么都会崩溃
自己不会试验吗 要问人，又不说清楚细节 |
 |
29
limuyan44 2019-07-15 16:32:30 +08:00 via Android
讨论这么多写个代码就这么难吗也没几行啊
|
 |
30
NullErro 2019-07-15 16:47:26 +08:00
想在内存跑的话，简单直接暴力的就是用 set, 推荐布隆过滤器；每个元素比较大的话可以考虑 mr，spark 或者其他分布式计算框架
|
 |
31
arrow8899 2019-07-15 16:51:42 +08:00
首先你要清楚数据的特征啊 整形？浮点数？短字符串？超长字符串？数据分布？重复概率？这些都会影响去重的效率！！！
V2EX √ 动手实践 × |
 |
32
changs1986 2019-07-15 17:09:22 +08:00
bloomfilter ?
|
 |
34
thedog 2019-07-15 18:20:18 +08:00
bitmap+1
|
 |
35
shm7 2019-07-15 18:33:56 +08:00 via iPhone
试试 numpy 吧，python list 遍历会检查类型，每次都会。
|
 |
36
Hamniba 2019-07-15 19:40:14 +08:00
@flyingghost #23
你这个就是 Hash Table 的思想，getObj(index) 是 O(1)，但是求一遍 hash 还是得 O(n) 啊。 |
 |
37
smdbh 2019-07-15 20:14:31 +08:00
天天 4 千万，和每月，每年是有区别的。
但是，其实也没多大区别 |
 |
38
Gooeeu 2019-07-15 20:31:33 +08:00
Bloom Filter
|
 |
39
sazima 2019-07-15 20:37:49 +08:00
list(set(item))
|
|
40
sazima 2019-07-15 20:43:53 +08:00
 粗略的感觉,耗时不到一秒... 也可能不到 0.5.
|
|
41
sazima 2019-07-15 21:00:04 +08:00
不好意思我的数太简单了 -__-
|
 |
42
skinny 2019-07-16 09:31:31 +08:00
没有元素类型、数据大小信息，更没有电脑内存的信息，就直接问 Python 能不能，别人就只能瞎猜随便说了。
还有，千万不要用 C、C++、C#，甚至 Java 之类的语言的设计和使用经验来估计 Python 的内存用量，到时候如果楼主的电脑内存不够大，估计要死机。 |
Select Language