删除非常大的数据集上的重复项

Posted 2023-03-11

【中文标题】删除非常大的数据集上的重复项

【英文标题】：Removing duplicates on very large datasets

【发布时间】：2019-02-23 17:22:05

【问题描述】：

我正在处理一个 13.9 GB 的 csv 文件，其中包含大约 1600 万行和 85 列。我知道可能有几十万行是重复的。我运行了这段代码来删除它们

import pandas

concatDf=pandas.read_csv("C:\\OUT\\Concat EPC3.csv")
nodupl=concatDf.drop_duplicates()
nodupl.to_csv("C:\\OUT\\Concat EPC3- NoDupl.csv",index=0)
low_memory=False  

但是，这让我陷入了 MemoryError。我的内存是 16GB，不能再高了。有没有一种更有效的方法来删除重复项，可能无需我将 csv 文件分解成更小的文件，就可以将其分块？

【问题讨论】：

"Large data" work flows using pandas的可能重复

dask 可能会给你带来一些运气

如果你有 Linux，这很好用：cat Concat\ EPC3.csv |排序 | uniq（如果有，请注意标题）

在这种情况下对 df 进行分块将是有效的，因为它会删除块中出现的重复项，但如果重复出现在多个块中，它们将不会被删除（只是块中的重复项将被删除） )。

我建议做的一件事是查看是否可以通过指定每列的 dtype 来减少 DF 的内存。例如，pandas 尝试预先猜测数据类型。有时您认为列可能是纯类型 Int 或 float，但 Pandas 可能会将其分配为对象，或者可能存在重复的列是可以分配类别的对象。 Obj 到 Float 或 int 的转换大大减少了内存，对象到类别也是如此。

【参考方案1】：

最简单的解决方案是为文件中的每一行创建一个哈希表——在你的工作内存中存储 16M 哈希应该不是问题（取决于哈希大小）——然后你可以再次迭代你的文件并确保您只记下每个哈希的一次出现。您甚至不需要解析 CSV，也不需要 Pandas。

import hashlib

with open("input.csv", "r") as f_in, \
        open("output.csv", "w") as f_out:
    seen = set()  # a set to hold our 'visited' lines
    for line in f_in:  # iterate over the input file line by line
        line_hash = hashlib.md5(line.encode()).digest()  # hash the value
        if line_hash not in seen:  # we're seeing this line for the first time
            seen.add(line_hash)  # add it to the hash table
            f_out.write(line)  # write the line to the output

这使用 MD5 作为哈希，因此每行大约需要 16B + 设置开销，但这仍然远远低于将所有内容存储在内存中 - 对于 16M 行 CSV 文件，您可以预期约 500MB 的内存使用量。

【讨论】：

只循环一次输入行不是更有效吗？ I/O 操作可能是最昂贵的。

就 CSV 而言，某些行可能是等效的，但散列到不同的值。例如 CSV 处理空格和引号。

@norok2 - 没错，我已经用单通道方法对其进行了更新。

@norok2 - 集合的查找速度（它们本身就是哈希表）比列表快得多，尤其是随着 seen 的大小增长。

@norok2 - 如果我们要计算操作，in set() 是 O(1) 操作（哈希表查找），list.append() 和 set.add() 也是 O(1)，但需要注意的是集合需要更长的时间来处理（由于散列）以及底层系统可能需要更多操作作为列表和集合增长的事实（即不计算摊销复杂度）。同时，in list() 是一个O(n) 操作，当您向列表中添加更多元素时，它会线性变慢。除了非常非常小的列表之外，集合在此类任务中将总是优于它们。

【参考方案2】：

UNIX 模拟器怎么样？

uniq <filename> >outputfile.txt

（类似的）

【讨论】：

uniq 仅在重复行彼此跟随时才有效（它会跳过与前一行相同的每一行）。因此，对于大多数应用程序，您需要先sort，然后再使用uniq。但如果您的 csv 文件中有带换行符的字符串，它通常不起作用。或者，如果您在 csv 文件中有索引（因为索引是唯一的）。而且您需要注意标题，以免对其进行排序。但如果这一切都很好，那么uniq 会非常快。并在 O(n) 中运行。

【参考方案3】：

与zwer 的想法基本相同，但检查具有相同哈希的行中的相等性（而不是自动丢弃重复的哈希）。

file_in = "C:\\OUT\\Concat EPC3.csv"
file_out = "C:\\OUT\\Concat EPC3- NoDupl.csv"

with open(file_in, 'r') as f_in, open(file_out, 'w') as f_out:
    # Skip header
    next(f_in)
    # Find duplicated hashes
    hashes = set()
    hashes_dup = 
    for row in f_in:
        h = hash(row)
        if h in hashes:
            hashes_dup[h] = set()
        else:
            hashes.add(h)
    del hashes
    # Rewind file
    f_in.seek(0)
    # Copy header
    f_out.write(next(f_in))
    # Copy non repeated lines
    for row in f_in:
        h = hash(row)
        if h in hashes_dup:
            dups = hashes_dup[h]
            if row in dups:
                continue
            dups.add(row)
        f_out.write(next(f_in))