Python数据去重

普通去重:

"""
去重并按原文件顺序排序
"""

from time import time

print('开始去重...')
start = time()
new_list = []
for line in open(r'e:/Python/mypy/test.txt', 'r+'):
	new_list.append(line)		

new_list2 = list(set(new_list))					#去重
new_list2.sort(key=new_list.index)				#以原list的索引为关键词进行排序
new_txt = ''.join(new_list2)					#将新list连接成一个字符串
with open(r'e:/Python/mypy/test_new.txt', 'w') as f:
	f.write(new_txt)
end = time()
shi = end - start
print('去重完毕!')
print('总耗时%s秒!' % shi)

千万级数据快速去重:

"""
建议数据不要太大,具体与自己电脑内存有关
此法耗内存,但比下面十亿级以上数据快速去重略快
"""

from time import time
import re 

# 匹配并转换成list
def getDictList(dic):
    regx = '''[\w\~`\!\@\#\$\%\^\&\*\(\)\_\-\+\=\[\]\{\}\:\;\,\.\/\<\>\?]+'''   #匹配汉字(python3中\w可匹配汉字)、大小写字母、阿拉伯数字、下划线及上述其他标点符号
    with open(dic) as f:
        data = f.read()
        result = re.findall(regx, data)         	#匹配上述规则内容,如不想匹配汉字则加re.A
        return result

# 先将list转换成set去重,再转换成list 
def rmdp(dictList):
    return list(set(dictList))

# 重新保存并统计行数 
def fileSave(dictRmdp, out):
    with open(out, 'a') as f:
        i = 0
        for line in dictRmdp:
            f.write(line + '\n')
            i += 1
        print('去重后总行数为%s行。' % i)

def main():
    dic = 'e:\Python\mypy\sogou.txt'
    out = 'e:\Python\mypy\sogou_new.txt'
    dictList = getDictList(dic)
    dictRmdp = rmdp(dictList)
    fileSave(dictRmdp, out)
     
if __name__ == '__main__':
	print('开始去重...')
	start = time()
	main()
	end = time()
	shi = end - start
	print('去重完毕!')
	print('总耗时%s秒!' % shi)

10亿级以上数据快速去重:

"""
测试数据:50亿+的数据去重,200G+超大文件
此法不耗内存,但比上面千万级数据快速去重略慢
data此文件夹需先创建好
"""

from time import time
 
SPLIT_COUNT = 10
 
def write_data(t_file, value):
	t_file.write(value)

# hash方法:从大文件中取出每行数据X,并对数据进行hash(X)%N,N是需要hash到的文件数目,这就达到了对相同的数据映射到同一个文件的办法,而在分配的过程中根据计算机的内存来调整N的大小,这样做的目的就是为了让内存读入小文件进行set操作。
def calcu_hash(filename, handle_file):
	with open(filename, 'r') as f:
		for line in f:
			write_data(handle_file[hash(line)%SPLIT_COUNT], line)

#生成文件 
def generate_file(dir):
	handle_file, files = [], []
	for i in range(SPLIT_COUNT):
		path = dir+"split_"+str(i)
		files.append(path)
		f = open(path , 'w')						#此f不能关闭
		handle_file.append(f)
	return files, handle_file

#关闭文件 
def close_file(handle_file):
	for i in range(len(handle_file)):
		handle_file[i].close()

#数据去重 
def data_uniq(files, new_file):
	dataset = dict()
	n_file = open(new_file, 'w')
	i = 0
	for filename in files:
		f = open(filename, 'r')
		for line in f:
			dataset[line] = 1
		f.close()
		for key in dataset:					
			n_file.write(key)
			i += 1
		dataset = {}
	n_file.close()
	print('去重后总行数为%s行。' % i)
 
if __name__ == "__main__":
	filename = 'e:/Python/mypy/字典.txt'				#待去重的文件
	generate_dir = 'e:/Python/mypy/data/'			#data此文件夹需先创建好
	new_file = 'e:/Python/mypy/字典_new.txt'			#去重后的新文件
	print('开始去重...')
	start = time()
	files, handle_file = generate_file(generate_dir)
	calcu_hash(filename, handle_file)
	close_file(handle_file)
	data_uniq(files, new_file)
	end = time()
	shi = end - start
	print('去重完毕!')
	print('总耗时%s秒!' % shi)
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值