回答編集履歴
3
データ分析コードを追記
test
CHANGED
@@ -100,6 +100,12 @@
|
|
100
100
|
|
101
101
|
|
102
102
|
|
103
|
+
テストデータでの検証結果
|
104
|
+
|
105
|
+
---
|
106
|
+
|
107
|
+
|
108
|
+
|
103
109
|
以下、行数2千万、名称種類30万、コード種類20万で試した結果です。
|
104
110
|
|
105
111
|
Corei7搭載機で約5分。まあ我慢できるレベルかと。
|
@@ -154,6 +160,12 @@
|
|
154
160
|
|
155
161
|
|
156
162
|
|
163
|
+
テストデータ作成コード
|
164
|
+
|
165
|
+
---
|
166
|
+
|
167
|
+
|
168
|
+
|
157
169
|
なお、サンプルデータは以下のコードで作成しました。
|
158
170
|
|
159
171
|
```Python
|
@@ -193,3 +205,105 @@
|
|
193
205
|
print(ROW,NAME,CODE)
|
194
206
|
|
195
207
|
```
|
208
|
+
|
209
|
+
|
210
|
+
|
211
|
+
データ分析コード
|
212
|
+
|
213
|
+
---
|
214
|
+
|
215
|
+
|
216
|
+
|
217
|
+
ついでに、データファイルの分析をおこなうコードを作成しました。
|
218
|
+
|
219
|
+
行数や名称,コード(種類)数、名称,コード文字長の最小、最大、平均を出力します。
|
220
|
+
|
221
|
+
```Python
|
222
|
+
|
223
|
+
# データの分析
|
224
|
+
|
225
|
+
|
226
|
+
|
227
|
+
# 文字列の最小、最大、合計を保持
|
228
|
+
|
229
|
+
def get_len_info( s, mm):
|
230
|
+
|
231
|
+
s_len = len(s)
|
232
|
+
|
233
|
+
mm[2] += s_len
|
234
|
+
|
235
|
+
|
236
|
+
|
237
|
+
if s_len < mm[0]:
|
238
|
+
|
239
|
+
mm[0] = s_len
|
240
|
+
|
241
|
+
if s_len > mm[1]:
|
242
|
+
|
243
|
+
mm[1] = s_len
|
244
|
+
|
245
|
+
|
246
|
+
|
247
|
+
# 行 0=名称, 1=コード
|
248
|
+
|
249
|
+
# 列 0=最小, 1=最大, 2=合計
|
250
|
+
|
251
|
+
len_info = [[99999,-1,0],[99999,-1,0]]
|
252
|
+
|
253
|
+
|
254
|
+
|
255
|
+
row_cnt,name_set,code_set = 0,set(),set()
|
256
|
+
|
257
|
+
with open('data.csv','r') as f:
|
258
|
+
|
259
|
+
line = f.readline().strip()
|
260
|
+
|
261
|
+
while line:
|
262
|
+
|
263
|
+
line = line.split()
|
264
|
+
|
265
|
+
name,code = line[0],line[1]
|
266
|
+
|
267
|
+
line = f.readline().strip()
|
268
|
+
|
269
|
+
|
270
|
+
|
271
|
+
name_set.add(name)
|
272
|
+
|
273
|
+
code_set.add(code)
|
274
|
+
|
275
|
+
|
276
|
+
|
277
|
+
# 文字列長の最小、最大、合計を保持
|
278
|
+
|
279
|
+
get_len_info(name,len_info[0])
|
280
|
+
|
281
|
+
get_len_info(code,len_info[1])
|
282
|
+
|
283
|
+
|
284
|
+
|
285
|
+
row_cnt += 1
|
286
|
+
|
287
|
+
|
288
|
+
|
289
|
+
name_cnt,code_cnt = len(name_set),len(code_set)
|
290
|
+
|
291
|
+
|
292
|
+
|
293
|
+
print('行数[{}] 名称(種類)数[{}] コード(種類)数[{}]'.format(row_cnt,name_cnt,code_cnt))
|
294
|
+
|
295
|
+
print('名称長 最小[{:.0f}] 最大[{:.0f}] 平均[{:.2f}]'.format( len_info[0][0], len_info[0][1], len_info[0][2]/row_cnt))
|
296
|
+
|
297
|
+
print('コド長 最小[{:.0f}] 最大[{:.0f}] 平均[{:.2f}]'.format( len_info[1][0], len_info[1][1], len_info[1][2]/row_cnt))
|
298
|
+
|
299
|
+
"""
|
300
|
+
|
301
|
+
行数[19996722] 名称(種類)数[300000] コード(種類)数[200000]
|
302
|
+
|
303
|
+
名称長 最小[5] 最大[10] 平均[9.63]
|
304
|
+
|
305
|
+
コド長 最小[5] 最大[10] 平均[9.44]
|
306
|
+
|
307
|
+
"""
|
308
|
+
|
309
|
+
```
|
2
コード追記
test
CHANGED
@@ -5,6 +5,98 @@
|
|
5
5
|
提示されているりんご~豆のテストデータにて結果は正しかったので、自信ありませんが大丈夫と思います。多分。
|
6
6
|
|
7
7
|
ポイントとしては、行毎にファイルを読み込むことでメモリを節約しています。
|
8
|
+
|
9
|
+
|
10
|
+
|
11
|
+
```Python
|
12
|
+
|
13
|
+
import time
|
14
|
+
|
15
|
+
# コード、名称毎に数え上げ
|
16
|
+
|
17
|
+
|
18
|
+
|
19
|
+
dic_cnt = {}# コード毎、名称毎に個数を保持する2重辞書
|
20
|
+
|
21
|
+
# {コード:{名称:個数, ...}, ...}
|
22
|
+
|
23
|
+
prev = time.time()
|
24
|
+
|
25
|
+
with open('data.csv','r') as f:
|
26
|
+
|
27
|
+
line = f.readline().strip()
|
28
|
+
|
29
|
+
while line:
|
30
|
+
|
31
|
+
line = line.split()
|
32
|
+
|
33
|
+
name,code = line[0],line[1]
|
34
|
+
|
35
|
+
line = f.readline().strip()
|
36
|
+
|
37
|
+
|
38
|
+
|
39
|
+
# 始めて出現したコード -> 登録
|
40
|
+
|
41
|
+
if code not in dic_cnt:
|
42
|
+
|
43
|
+
dic_cnt[code] = {}
|
44
|
+
|
45
|
+
|
46
|
+
|
47
|
+
# 初めて出現した名称 -> 登録
|
48
|
+
|
49
|
+
if name not in dic_cnt[code]:
|
50
|
+
|
51
|
+
dic_cnt[code][name] = 0
|
52
|
+
|
53
|
+
|
54
|
+
|
55
|
+
# 既存の名前の個数をインクリメント
|
56
|
+
|
57
|
+
for name,count in dic_cnt[code].items():
|
58
|
+
|
59
|
+
dic_cnt[code][name] += 1
|
60
|
+
|
61
|
+
|
62
|
+
|
63
|
+
print('counting done.{:.2f}sec'.format(time.time()-prev))
|
64
|
+
|
65
|
+
prev = time.time()
|
66
|
+
|
67
|
+
|
68
|
+
|
69
|
+
# 名称毎に集計
|
70
|
+
|
71
|
+
dic_ret = {}
|
72
|
+
|
73
|
+
for v in dic_cnt.values():
|
74
|
+
|
75
|
+
for name,cnt in v.items():
|
76
|
+
|
77
|
+
if name not in dic_ret:
|
78
|
+
|
79
|
+
dic_ret[name] = 0
|
80
|
+
|
81
|
+
dic_ret[name] += cnt
|
82
|
+
|
83
|
+
|
84
|
+
|
85
|
+
# 結果ファイル出力
|
86
|
+
|
87
|
+
with open('ret.csv','w') as f:
|
88
|
+
|
89
|
+
for name,cnt in dic_ret.items():
|
90
|
+
|
91
|
+
f.write('{} {}\n'.format(name,cnt))
|
92
|
+
|
93
|
+
|
94
|
+
|
95
|
+
print('sum up done.{:.2f}sec'.format(time.time()-prev))
|
96
|
+
|
97
|
+
prev = time.time()
|
98
|
+
|
99
|
+
```
|
8
100
|
|
9
101
|
|
10
102
|
|
1
修正
test
CHANGED
@@ -18,9 +18,9 @@
|
|
18
18
|
|
19
19
|
|
20
20
|
|
21
|
-
実行結果
|
21
|
+
以下、実行結果
|
22
22
|
|
23
|
-
```
|
23
|
+
```
|
24
24
|
|
25
25
|
counting done.310.84sec
|
26
26
|
|
@@ -30,9 +30,9 @@
|
|
30
30
|
|
31
31
|
|
32
32
|
|
33
|
-
data.csv
|
33
|
+
以下、入力データ data.csv 約420MB
|
34
34
|
|
35
|
-
```
|
35
|
+
```
|
36
36
|
|
37
37
|
name27454 code70170
|
38
38
|
|
@@ -46,9 +46,9 @@
|
|
46
46
|
|
47
47
|
|
48
48
|
|
49
|
-
ret.csv
|
49
|
+
以下、結果データ ret.csv 約5MB
|
50
50
|
|
51
|
-
```
|
51
|
+
```
|
52
52
|
|
53
53
|
name210822 4235
|
54
54
|
|