如何获取大型文本数据文件的统计信息

Posted 2023-04-18

【中文标题】如何获取大型文本数据文件的统计信息

【英文标题】：How to get statistics on a large text file of data

【发布时间】：2015-07-22 12:42:04

【问题描述】：

我有一组大型（~100,000,000 行）文本文件，格式如下：

    0.088293 1.3218e-32 2.886e-07 2.378e-02        21617        28702
    0.111662 1.1543e-32 3.649e-07 1.942e-02        93804        95906
    0.137970 1.2489e-32 4.509e-07 1.917e-02        89732        99938
    0.149389 8.0725e-32 4.882e-07 2.039e-02        71615        69733
    ...

我想找出第 2 列的平均值和总和，以及第 3 列和第 4 列的最大值和最小值，以及总行数。如何使用 NumPy 有效地做到这一点？由于它们的大小，loadtxt 和genfromtxt 不好（需要很长时间才能执行），因为它们试图将整个文件读入内存。相比之下，像awk这样的Unix工具：

awk ' total += $2  END  print total/NR ' <filename>

在合理的时间内工作。 Python/NumPy 可以为这么大的文件完成awk 的工作吗？

【问题讨论】：

所以你只是在寻找一个 numpy 的答案？这个技术我不知道，但是awk可以做的很好

我愿意接受awk 的回答，如果我可以在文件的一次传递中获得其他统计信息。我不太了解awk。

那么它也将有助于显示所需的输出应该是什么样子

我不太担心精确的输出格式：单行上的空格分隔值或单独行上的 <key> = <val> 对都可以。

【参考方案1】：

你可以这样说：

awk '  total2 += $2
        for (i=2;i<=3;i++) 
            max[i]=(length(max[i]) && max[i]>$i)?max[i]:$i
            min[i]=(length(min[i]) && min[i]<$i)?min[i]:$i
        
      END 
           print "items", "average2", "min2", "min3", "max2", "max3"
           print NR, total2/NR, min[2], min[3], max[2], max[3]
     ' file

测试

根据您给定的输入：

$ awk 'total2 += $2; for (i=2;i<=3;i++) max[i]=(length(max[i]) && max[i]>$i)?max[i]:$i; min[i]=((length(min[i]) && min[i]<$i)?min[i]:$i) END print "items", "average2", "min2", "min3", "max2", "max3"; print NR, total2/NR, min[2], min[3], max[2], max[3]' a | column -t
items  average2     min2        min3       max2        max3
4      2.94938e-32  1.1543e-32  2.886e-07  8.0725e-32  4.882e-07

【讨论】：

可能想要检查 max[i] 包含的数据是否为 ​​0，然后它将任何负数计为更大。

没错，虽然我已经在做max[i]=(max[i] && max[i]>$i)?max[i]:$i。还不够吗？

不，假设一行有 -1，现在是 max[i]，下一行是零，max[i] 现在是 0，现在如果下一行除了 null,"",0 之外还有其他内容将被设置为最大值，因为max[i] 将失败，因此&& max[i]>$i 将不会被执行，默认设置为将 $i 设置为最大值。

@User112638726 现在我明白了，好一个！所以说max[i]=(length(max[i])>0 && max[i]>$i)?max[i]:$i应该是固定的，对吧？

是的，应该这样做！真的不需要检查它是否大于 0，因为如果它是空的，它将是 false/0，尽管我想它确实使它更容易阅读:) 而且它也会导致与 min 相同的问题，但是相反的方式。

【参考方案2】：

遍历这些行并应用正则表达式来提取您要查找的数据，并将其添加到您想要的每一列的初始空列表中。

获得列表形式的列后，您可以将 max(list) min(list) avg(list) 函数应用于数据以获得您感兴趣的任何计算。

注意：您可能需要修改将数据添加到列表的位置，并将数字从 str 转换为 int 形式，以便 max、min、avg 函数可以对它们进行操作。

【讨论】：

最好在他遍历每一行的时候计算统计；这样他就不需要建立列表了。