寻找一种更有效的方法来重组Python中的大量CSV

Question

我一直在研究一个问题，我从大输出.txt文件中获取数据，现在必须以.csv的形式解析和重组某些值。

我已经编写了一个脚本，根据它的数据类型（航班ID，纬度，经度等）将所有数据输入到列中的.csv中，但它的顺序不正确。 所有值都应根据相同的航班ID进行分组，从最早的时间戳到最新的时间戳。 幸运的是，我的.csv具有正确时间顺序的所有值，但未根据航班ID进行适当组合。

要清除我的描述，它现在看起来像这样，

（“时间x”只是为了说明）：

20110117559515, , , , , , , , ,2446,6720,370,42  (Time 0)                               
20110117559572, , , , , , , , ,2390,6274,410,54  (Time 0)                               
20110117559574, , , , , , , , ,2391,6284,390,54  (Time 0)                               
20110117559587, , , , , , , , ,2385,6273,390,54  (Time 0)                               
20110117559588, , , , , , , , ,2816,6847,250,32  (Time 0) 
... 

它应该像这样订购：

20110117559515, , , , , , , , ,2446,6720,370,42  (Time 0)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 1)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 2)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time 3)
20110117559515, , , , , , , , ,24xx,67xx,3xx,42  (Time N)
20110117559572, , , , , , , , ,2390,6274,410,54  (Time 0)
20110117559572, , , , , , , , ,23xx,62xx,4xx,54  (Time 1)
... and so on

.csv I输出中有130万行，以简化操作。 我99％有信心我写的下一个脚本中的逻辑来修复排序是正确的，但我担心这是非常低效的。 我最后添加了一个进度条，看看它是否取得了进展，不幸的是这就是我所看到的：

这是处理运算的代码（如果你愿意，可以跳到问题区域）：

## a class I wrote to handle the huge .csv's ##
from BIGASSCSVParser import BIGASSCSVParser               
import collections                                                              


x = open('newtrajectory.csv')  #file to be reordered                                                  
linetlist = []                                                                  
tidict = {}               

'' To save braincells I stored all the required values
   of each line into a dictionary of tuples.
   Index: Tuple ''

for line in x:                                                                  
    y = line.replace(',',' ')                                                   
    y = y.split()                                                               
    tup = (y[0],y[1],y[2],y[3],y[4])                                            
    linetlist.append(tup)                                                       
for k,v in enumerate(linetlist):                                                
    tidict[k] = v                                                               
x.close()                                                                       


trj = BIGASSCSVParser('newtrajectory.csv')                                      
uniquelFIDs = []                                                                
z = trj.column(0)   # List of out of order Flight ID's                                                     
for i in z:         # like in the example above                                                           
    if i in uniquelFIDs:                                                        
        continue                                                                
    else:                                                                       
        uniquelFIDs.append(i)  # Create list of unique FID's to refer to later                                               

queue = []                                                                              
p = collections.OrderedDict()                                                   
for k,v in enumerate(trj.column(0)):                                            
    p[k] = v  

到目前为止一切都很好，但是在下一个部分，我的计算机要么窒息，要么我的代码很糟糕：

for k in uniquelFIDs:                                                           
    list = [i for i, x in p.items() if x == k]                                  
    queue.extend(list)                                                          

我们的想法是，对于每个唯一值，按顺序迭代130万个值并按顺序返回每个匹配项的索引，并将这些值附加到列表中。 之后，我只是要读取大量索引列表，并将该行数据的内容写入另一个.csv文件。 塔达！ 可能非常低效。

这有什么不对？ 有没有更有效的方法来解决这个问题？ 我的代码有缺陷，还是我只是对我的笔记本电脑残忍？

更新：

我发现，随着我正在处理的数据量，它需要9-10个小时。 我有一半正确吐出4.5。 我可以暂时解决一夜之间的危机，但下次可能会使用数据库或其他语言。 如果我知道我提前得到了什么，我会的，哈哈。

调整我的SSD的睡眠设置后，它只需要3个小时来处理。

Answer 1

您可以尝试UNIX sort实用程序：

sort -n -s -t, -k1,1 infile.csv > outfile.csv

-t设置分隔符， -k设置排序键。 -s稳定排序， -n使用数字比较。

Answer 2

如果CSV文件适合你的RAM（例如小于2GB），那么你可以阅读整个内容并对其进行sort ：

data = list(csv.reader(fn))
data.sort(key=lambda line:line[0])
csv.writer(outfn).writerows(data)

如果你不捶打，这不应该花费相当长的时间。 请注意， .sort是一种稳定的排序 ，因此当密钥相等时，它将保留文件的时间顺序。

如果它不适合RAM，你可能想要做一些有点聪明的事情。 例如，您可以存储每行的文件偏移量，以及行中的必要信息（时间戳和航班ID），然后对这些信息进行排序，并使用行偏移信息写入输出文件。