python - 用 4300 万行文本文件的计数创建字典的更简单方法?
问题描述
背景:我有一个大约 4400 万行的文件。每个人都是有美国地址的人,所以有一个“邮政编码”字段。文件是 txt,以竖线分隔。
由于大小,我不能(至少在我的机器上)使用 Pandas 进行分析。所以我的一个基本问题是:每个不同的邮政编码有多少条记录(行)?我采取了以下步骤,但我想知道是否有更快、更 Pythonic 的方式来执行此操作(似乎有,我只是不知道)。
第 1 步:为文件中的 ZIP 值创建一个集合:
output = set()
with open(filename) as f:
for line in f:
output.add(line.split('|')[8] # 9th item in the split string is "ZIP" value
zip_list = list(output) # List is length of 45,292
第 2 步:创建一个“0”列表,长度与第一个列表相同:
zero_zip = [0]*len(zip_list)
第 3 步:从这两个列表中创建一个字典(全为零):
zip_dict = dict(zip(zip_list, zero_zip))
第 4 步:最后我再次浏览了文件,这次更新了我刚刚创建的字典:
with open(filename) as f:
next(f) # skip first line, which contains headers
for line in f:
zip_dict[line.split('|')[8]] +=1
我得到了最终结果,但想知道是否有更简单的方法。谢谢大家。
解决方案
创建zip_dict
可以替换为defaultdict
。如果您可以遍历文件中的每一行,则无需执行两次,只需保持运行计数即可。
from collections import defaultdict
d = defaultdict(int)
with open(filename) as f:
for line in f:
parts = line.split('|')
d[parts[8]] += 1
推荐阅读
- html - Adding an image into an .html envelope for signature via REST API
- javascript - How can I get top 10 points?
- jquery - taffyDB query for "not in" set
- sql - How to get the records where the term data is not in the presiding effective date
- python - 如何遍历 MRJob 中的行
- javascript - 如何在执行另一个函数后每次都检查一个函数是否被调用
- javascript - HTML表单输入无效然后javascript函数
- python - Kivy password check
- postgresql - 无法使用 sqlworkbench/j 连接到 postgresql
- perl - deploying xs module on CPAN