在大矩阵中搜索值

Posted 2023-03-11

【中文标题】在大矩阵中搜索值

【英文标题】：Searching values in a large matrix

【发布时间】：2016-08-26 01:15:32

【问题描述】：

我正在使用 python 3.5 并且正在编写一个处理大型电子表格文件的脚本。电子表格的每一行都包含一个短语和几个其他相关值。我将文件解析为矩阵，但对于示例文件，它有超过 3000 行（甚至更大的文件应该在预期范围内）。我也有一个100字的清单。我需要搜索每个单词，矩阵的哪一行在其字符串中包含它，并基于此打印一些平均值。

目前我正在遍历矩阵的每一行，然后检查字符串是否包含任何提到的单词，但这个过程需要 3000 次迭代，每次检查 100 次。有没有更好的方法来完成这项任务？

【问题讨论】：

您是否尝试过并行化任务？

您能否提供一个最小的示例代码、与真实矩阵格式相同的小矩阵、要搜索的单词的简短列表和预期输出？

根据您问题的规模，是否可以使用其他解决方案，例如mysql之类的数据库？然后，您可以在您关心的查询字符串上简单地SELECT，然后对关联的值执行操作。

【参考方案1】：

从长远来看，我会鼓励您使用更适合该任务的东西。例如，一个 SQL 数据库。

但如果你坚持编写自己的 python 解决方案，你可以做一些事情来优化它：

使用集合。集合具有非常有效的成员资格检查。

wordset_100 = set(worldlist_100)

for row in data_3k:
    word_matches = wordset_100.intersect(row.phrase.split(" "))
    for match in word_matches:
        # add to accumulator
        # this loop will be run less than len(row.phrase.split(' ')) times
        pass

并行化。

from multiprocessing import Pool
from collections import defaultdict


def matches(wordset_100, row):
    return wordset_100.intersect(row.phrase.split(" ")), row


if __name__ == "__main__":
    accu = defaultdict(int)
    p = Pool()
    wordset_100 = set(worldlist_100)
    for m, r in p.map(matches, data_3k):
        for word in m:
            accu[word] += r.number

【讨论】：

感谢您的回答，我没有想过并行化任务