之前跟大家分享过SQL和EXCEL效率提升的小技巧，链接放在了文章末尾，今天跟大家分享一下多年来一直用的python效率提升的方法。这个方法是某位上古大神传授于我师傅，师傅又传授于我。
我们平时在跑数据的时候可能会将数据结果存储在txt文件中，不知道大家平时是怎么处理txt文件中的数据的，相信各位同学都有自己的方法，用python的pandas包或者把数据塞进数据库再用sql等等。无论是用哪种方法在处理数据的时候有很多方法是通用的，比如where，join等等，可以先将这些常用方法写成python脚本，需要对txt文件的数据进行处理时直接用脚本来处理txt文件。优点在于省掉了txt和数据库之间来回倒腾数据的时间，也省掉了用pandas读取数据写脚本的时间，能够快速方便地验证和处理数据。
在举例子之前要先介绍一个linux中“管道” 的概念，熟悉linux的人应该对这个概念不陌生，符号为“|” ，管道的作用在于连接多条命令比如命令：cat data.txt|wc -l 的含义就是查看data中数据条数，其中“|”就是管道，将cat data.txt的输出作为wc -l的输入。总结来说只要第一个命令向标准输出写入，而第二个命令是从标准输入读取，那么这两个命令就可以形成一个管道。同样我们可以用将输出传递给python脚本。
明白了管道的概念，那我们开始吧，案例数据如下：
data1.txt记录用户的id以及年龄，data2.txt记录用户的消费信息
首先我们写一个实现where功能的python脚本，脚本如下：
where.py
- #!/usr/bin/env python
- # -*- encoding:utf-8 -*-
- import sys
- import re
- import cutmode
- def where(col, cmpexpr, val, cmptype):
- sw ={
- '>': lambda y, x: y > x,
- '>=': lambda y, x: y >= x,
- '<': lambda y, x: y < x,
- '<=': lambda y, x: y <= x,
- '==': lambda y, x: y == x,
- '!=': lambda y, x: y != x,
- }
- for line in sys.stdin:
- line = line.strip()
- #data= re.split('\s+',line)
- data = line.split('\t')
- if len(data) <= col : continue
- if cmptype == 'int':
- number = int(data[col])
- val = int(val)
- elif cmptype == 'float':
- number = float(data[col])
- val = float(val)
- else:
- number = data[col]
- if sw[cmpexpr](number,val):
- print line.strip()
- if __name__ == '__main__':
- col = int(sys.argv[1])
- cmpexpr = sys.argv[2]
- val = sys.argv[3]
- cmptype = sys.argv[4]
- where(col, cmpexpr, val, cmptype)
程序就不一行行解释了，简单来说一下几个参数，其中 python 程序的四个参数
- col 表示第几列
- cmpexpr 表示比较运算符(>,>=,<,<=,=，!=)
- val表示要比较的数字
- cmptype表示数据类型
我们筛选年龄大于24岁的用户，指令和结果如下：
- cat data.txt|python where.py 1 '>=' 25 int
join.py
- #!/usr/bin/env python
- # -*- encoding:utf-8 -*-
- import sys
- import re
- def makeJoin(joinfields, file_list=[]):
- dict = {}
- file_last = open(file_list[-1])
- k, v = joinfields[-1].split(':')
- k, v = int(k),int(v)
- for line in file_last:
- sps = re.split('\s+', line)
- if len(sps) >= max(k,v):
- val = sps[v] if v >= 0 else ''
- dict.setdefault(sps[k], val)
- file_last.close()
- for i in xrange(len(file_list)-1):
- fd = open(file_list[i], 'r')
- field = joinfields[i].split(':')[0]
- for data in fd.readlines():
- attr = re.split('\t', data.strip())
- if len(attr) <= int(field):continue
- joinid = attr[int(field)]
- appendix = dict[joinid] if joinid in dict else 'noright'
- print data.strip() + '\t' + appendix
- fd.close()
- if __name__ == '__main__':
- joinfields = sys.argv[1].split(',')
- file_list = sys.argv[2:]
- makeJoin(joinfields, file_list)
下面将两个数据进行join，计算出每个用户的年龄以及对应的花费。
指令如下：python join.py '0:1,0:1' 'data1.txt' 'data2.txt'
- 第一个0:1 表示data1.txt的链接主键为0列，值为1列
- 第二个0:1 表示data2.txt的链接主键为0列，值为1列
- data1.txt 和data2.txt 分别为需要链接的文件
select.py
- #!/usr/bin/env python
- # -*- encoding:utf-8 -*-
- import sys
- import re
- def cut(files,col1,col2):
- col1=int(col1)
- col2=int(col2)
- f=open
- for line in sys.stdin:
- line_list=line.split()
- if(len(line_list)>=max(col1,col2)):
- if col1>=0 and col2>=0 and col1<=col2:
- print("\t".join(line_list[col1:col2]))
- else:
- print("参数输入错误")
- else:
- print("参数超出范围")
- if __name__=="__main__":
- col1=sys.argv[1]
- col2=sys.argv[2]
- cut(col1,col2)
取出有花费的用户id，指令如下：
- col1：开始列
- col2：结束列
python select.py 0 1 data2.txt
综合使用
选出data1中付过费，且年龄大于35岁的用户id
- python join.py '0:1,0:1' 'data1.txt' 'data2.txt'|python where.py 2 '!=' null string|python where.py 1 '>' 35 int|python select.py 0 1
- 12159
- 17473
