ファイル内要素の比較，抽出(再)

Question

こちらの質問をさせていただいたものです．
https://teratail.com/questions/16209

ご回答いただいた命令で動いてはいるのですが，
コメントにも書いた通り，億単位の要素を比較しています．

かなり時間がかかってしまい困っているのですが，
うまく処理する方法はないでしょうか．

ご教授願います．

#python3.4
#windows

Comments

[cateye]

データは降順になっているのでしょうか？
それともランダム？
昇順であればかなり早くなると思いますが？

Answer 1

例として両方のファイルがソートされている場合、下記のようにするとより速くなるはずです。

#coding: utf-8

import csv;

rows1=csv.reader(open('data1.txt', 'r'))
rows2=csv.reader(open('data2.txt', 'r'), delimiter = '\t')
row1=rows1.next()
row2=rows2.next()
while True:
    if row1[0]<row2[0]:
        try:
            row1=rows1.next()
            continue
        except:
            break
    if row1[0]==row2[0]:
        print row2[0] + "\t" + row2[1]
    try:
        row2=rows2.next()
    except:
        break

Answer 2

億単位のIDが有るのはファイルAのみですか？ファイルBのみですか？それともファイルA,ファイルB共にですか？

ファイルAが小さくファイルBが大きい場合と、
ファイルAは大きくファイルBが小さい場合とでは、
高速化の手法が異なってきます。

例を見ると、ファイルA,ファイルB,出力と全てがソートされているように見えます。
ファイルAはソートされてますか？
ファイルBはソートされてますか？
出力はソートされている必要は有りますか？
「どちらかがソートされている」「両方がソートされている」「ファイルはソートされていないが出力もソートされる必要が無い」のそれぞれによっても高速化の手法が異なります。

その辺りの情報があれば、より良いアドバイスができるかと思います。

Answer 3

grepに任せてしまう。

sed 's/.*/^&\t/' A > A.tmp  #行頭に ^、行末にタブを付加する
grep -f A.tmp B

Answer 4

何度も同じ処理をするなら
正規化してデータベース（DBMS）に突っ込んでSQLで目的のデータを取り出す方がいいと思います。
最初にデータベースに入れるところで相当時間かかりそうですが。
適切にインデックスつければ目的データの取り出しは早くなると思います。
１回しかやらないことなら気長に待つのもありです。