python 读取大文本文件并存入numpy时过于费时的问题及猜测

Posted 2021-06-02 WATERBRO

因需要读取大文本文件（约有1,300,000行，40兆），并简单处理存入numpy数组中，运行过程中发现随读取数据的增加，耗费时间显著增加，稍作修改后运行速度显著提升，不解，记之，希望大家帮忙解惑。

初步猜测（未验证）：在原始代码中对numpy数组进行了vstack，而这个过程可能对已有数组进行了类似遍历的操作，才会出现随数组中数据增加产生时间上的显著增加。

1.原始代码

此代码在前期运行较快，在运行接近4,500行左右时，速度开始逐步变慢，最后花了很长时间也没能运行出结果，不知是何种原因。

def readTXT1(txt_file, separator=\'\\t\'):
    """
    读取单行文本数据（x y z i(or classification)）
    :param txt_file: 待读取的文本
    :param separator: 待读取的文本中的分割符，如空格或制表符
    :return: 返回array数组，一行为一个数据
    """
    point = np.array([])
    with open(txt_file, \'r\') as file:
        for line in file:
            point_tmp = line.split(separator)
            point_tmp = [x.strip() for x in point_tmp if x.strip() != \'\']
            point_tmp = list(map(float, point_tmp))
            point_one = np.array([point_tmp[0], point_tmp[1], point_tmp[2], point_tmp[3]])
            if np.shape(point)[0] > 0:
                point = np.vstack((point, point_one))
            else:
                point = np.array([point_one])
    print(\'% \', txt_file, \'has \', np.shape(point), \'points\')
    return point

2.调整后代码

调整后先将数据存入list中，最后将list转换为array，此方案运行十分流畅，不足半分钟就已经完成读取与转化。相比原始代码只是少了一个判断和一个初始化array，但感觉问题应该不是出在此处，怀疑原始方案运行慢是因为叠置vstack。感觉只有在vstack过程中对已有数组进行了类似遍历的操作，才会出现随数组中数据增加产生时间上的显著增加。

def readTXT2(txt_file, separator=\'\\t\'):
    """
    读取单行文本数据（x y z i(or classification)）
    :param txt_file: 待读取的文本
    :param separator: 待读取的文本中的分割符，如空格或制表符
    :return: 返回array数组，一行为一个数据
    """
    all_points = []
    with open(txt_file, \'r\') as file:
        for line in file:
            point_tmp = line.split(separator)
            point_tmp = [x.strip() for x in point_tmp if x.strip() != \'\']
            point_tmp = list(map(float, point_tmp))
            all_points.append(point_tmp[0:4])
    print(\'list:\', len(all_points))
    point = np.array(all_points)
    print(\'% \', txt_file, \'has \', np.shape(point), \'points\')
    return point