问个 Python 性能相关的 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
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
zckun
V2EX    Python

问个 Python 性能相关的

  •  
  •   zckun 2020-06-23 14:52:56 +08:00 3699 次点击
    这是一个创建于 1948 天前的主题,其中的信息可能已经有所发展或是发生改变。

    有很多个学校,具体就先用一千万吧,每个学校有很多个班级,每个班有很多组男女生(男女成对出现,男女生数量相等)。

    现在要求每个班里的男女生的某个差,比如身高、年龄,只需要知道这里会有点耗时,最后按班级吧结果输出到文件

    要求用 python 实现,对速度有要求

    24 条回复    2020-06-29 01:52:18 +08:00
    wuwukai007
        1
    wuwukai007  
       2020-06-23 15:14:04 +08:00
    pandas
    HashV2
        2
    HashV2  
       2020-06-23 15:15:37 +08:00
    这里性能应该是 sql 相关吧
    Jackeriss
        3
    Jackeriss  
       2020-06-23 15:19:10 +08:00
    这是算法题还是什么?好奇怪的需求
    BBrother
        4
    BBrother  
       2020-06-23 15:31:19 +08:00
    用 numpy 和 numba 来实现,但是我没自己试过
    cocowind
        5
    cocowind  
       2020-06-23 15:32:02 +08:00
    from aioelasticsearch import Elasticsearch
    0.0
    Hstar
        6
    Hstar  
       2020-06-23 15:43:57 +08:00
    从题目看, 学校数据毫无意义,反正是按班级 group by
    题干也不是很清晰,实际遇到这种千万~亿级的数据就是直接丢进 es,和 python 毫无关系
    Vegetable
        7
    Vegetable  
       2020-06-23 15:47:34 +08:00
    离开 Python 好球区了。如果你采用循环读一个处理一个的方式的话,效率太低了,可能都没有 SQL 快。
    1000W*10 班级*30*学生,这是 30 亿级别的数据,家用电脑已经无法直接读取到内存里了。如果只是流式处理的话,SQL 查出来的其实就是结果了,python 只负责写文件而已。
    zckun
        8
    zckun  
    OP
       2020-06-23 17:19:03 +08:00
    @Vegetable 我是按每个班级处理的,八个进程,一共有 1500 多个班级,68w 名学生,numpy+pandas 计算用是 93 分钟
    zckun
        9
    zckun  
    OP
       2020-06-23 17:20:13 +08:00
    @Hstar 没办法,人家就是要用 python,而且还要快
    superrichman
        10
    superrichman  
       2020-06-23 17:24:42 +08:00 via iPhone
    @zckun 把代码贴出来,看怎么优化
    helloworld000
        11
    helloworld000  
       2020-06-23 17:31:50 +08:00
    这种都没有 dependence 的就直接上 spark 或者 hadoop 来算要快很多
    Nich0la5
        12
    Nich0la5  
       2020-06-23 18:08:21 +08:00
    这个级别数据用 cython,不过这已经不算 python 了。原生循环有多慢跑个 1e8 就知道了
    Vegetable
        13
    Vegetable  
       2020-06-23 18:18:35 +08:00
    @zckun #8 你这个 68w 学生用时 93 分钟,处理 1w 人需要一分多钟应该是代码有问题了,不应该的,给个 demo 大家才好出主意在代码上优化
    jimrok
        14
    jimrok  
       2020-06-23 18:22:04 +08:00
    zckun
        15
    zckun  
    OP
       2020-06-23 19:21:42 +08:00
    @Vegetable 。。。优化到了 9 分钟,查找部分该用二分的,笨了点
    zckun
        16
    zckun  
    OP
       2020-06-23 19:22:31 +08:00
    @jimrok 谢谢老哥
    BiteTheDust
        17
    BiteTheDust  
       2020-06-23 19:33:29 +08:00
    需要查询的话 预处理好数据然后做 hash 表 然后每次去查表就行了 1e7 的数据应该不会很慢
    其实这个对语言没啥特别的要求
    wangyzj
        18
    wangyzj  
       2020-06-23 19:39:04 +08:00
    pandas 吧
    no1xsyzy
        19
    no1xsyzy  
       2020-06-23 20:28:25 +08:00
    愈发看不懂了,“要求每个班里的男女生的某个差”是笛卡尔积求出差矩阵还是均差?
    为什么会发生二分查找?中间发生了什么?
    lithbitren
        20
    lithbitren  
       2020-06-23 20:43:22 +08:00
    什么鬼,数据才 68 万,遍历一轮数据记录把男女身高总和和个数装进字典,然后遍历字典计算差指输出,最多不超过半秒。
    主楼三十亿个学生是够吓人的,几十分钟是要的。
    lithbitren
        21
    lithbitren  
       2020-06-23 20:50:54 +08:00
    students = [
    {
    'class': random.randrange(2000),
    'sex': random.randint(0, 1),
    'height': random.randrange(150, 190)
    }
    for _ in range(1_000_000)
    ]

    collect = collections.defaultdict(lambda: {
    'maleSum': 0,
    'maleCount': 0,
    'femaleSum': 0,
    'femaleCount': 0
    })

    for student in students:
    if student['sex']:
    collect[student['class']]['maleSum'] += student['height']
    collect[student['class']]['maleCount'] += 1
    else:
    collect[student['class']]['femaleSum'] += student['height']
    collect[student['class']]['femaleCount'] += 1

    result = [
    Class['maleSum'] / Class['maleCount'] - Class['femaleSum'] / Class['femaleCount']
    for Class in collect.values()
    ]

    测了测,百万级数据查询时间肯定不超过半秒,这还是用带键名的,如果把临时字典换成数组,估计还能再将快几倍,拆分数组类型到 numpy 然后开 numba,估计还能再快几倍,几十分钟居然就真等了。。。
    necomancer
        22
    necomancer  
       2020-06-23 21:07:48 +08:00
    numpy 就可以。anaconda 的 numpy 有 MKL 加速。比如身高,data->(10, 5, 50, 2) 型的数组-> 10 所学校,每个学校 5 个班级,等量男女各 50 人两组身高,只要 np.mean(data, axis=(0,1)) 就是按学校和班级做平均。你还需要什么统计量 numpy 都有现成函数。
    linvaux
        23
    linvaux  
       2020-06-23 23:27:28 +08:00
    @sss495088732 6 的不行
    btv2bt
        24
    btv2bt  
       2020-06-29 01:52:18 +08:00
    pyspark ?
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     2655 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 29ms UTC 14:54 PVG 22:54 LAX 07:54 JFK 10:54
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86