Ho molti elenchi di numeri interi grandi (> 35.000.000) che conterranno duplicati. Devo ottenere un conteggio per ogni intero in una lista. Il seguente codice funziona, ma sembra lento. Qualcun altro può migliorare il benchmark usando Python e preferibilmente Numpy?Raggruppamento di Numpy che utilizza itertools.pagamento di gruppo
def group():
import numpy as np
from itertools import groupby
values = np.array(np.random.randint(0,1<<32,size=35000000),dtype='u4')
values.sort()
groups = ((k,len(list(g))) for k,g in groupby(values))
index = np.fromiter(groups,dtype='u4,u2')
if __name__=='__main__':
from timeit import Timer
t = Timer("group()","from __main__ import group")
print t.timeit(number=1)
che ritorna:
$ python bench.py
111.377498865
Cheers!
Modifica in base alle risposte:
def group_original():
import numpy as np
from itertools import groupby
values = np.array(np.random.randint(0,1<<32,size=35000000),dtype='u4')
values.sort()
groups = ((k,len(list(g))) for k,g in groupby(values))
index = np.fromiter(groups,dtype='u4,u2')
def group_gnibbler():
import numpy as np
from itertools import groupby
values = np.array(np.random.randint(0,1<<32,size=35000000),dtype='u4')
values.sort()
groups = ((k,sum(1 for i in g)) for k,g in groupby(values))
index = np.fromiter(groups,dtype='u4,u2')
def group_christophe():
import numpy as np
values = np.array(np.random.randint(0,1<<32,size=35000000),dtype='u4')
values.sort()
counts=values.searchsorted(values, side='right') - values.searchsorted(values, side='left')
index = np.zeros(len(values),dtype='u4,u2')
index['f0']=values
index['f1']=counts
#Erroneous result!
def group_paul():
import numpy as np
values = np.array(np.random.randint(0,1<<32,size=35000000),dtype='u4')
values.sort()
diff = np.concatenate(([1],np.diff(values)))
idx = np.concatenate((np.where(diff)[0],[len(values)]))
index = np.empty(len(idx)-1,dtype='u4,u2')
index['f0']=values[idx[:-1]]
index['f1']=np.diff(idx)
if __name__=='__main__':
from timeit import Timer
timings=[
("group_original","Original"),
("group_gnibbler","Gnibbler"),
("group_christophe","Christophe"),
("group_paul","Paul"),
]
for method,title in timings:
t = Timer("%s()"%method,"from __main__ import %s"%method)
print "%s: %s secs"%(title,t.timeit(number=1))
che restituisce:
$ python bench.py
Original: 113.385262966 secs
Gnibbler: 71.7464978695 secs
Christophe: 27.1690568924 secs
Paul: 9.06268405914 secs
Sebbene Christophe dà risultati errati attualmente
Esistono restrizioni all'intervallo di possibili numeri interi? Possono verificarsi tutti i 2^32 possibili numeri interi? –
Avete bisogno dell'output di 'group()' ordinato per chiave? –
Hi Sven, esiste una probabilità uguale di ogni 2^32 intero che si verifica e l'output raggruppato (cioè l'indice) deve essere in ordine ascendente. Il valore.sort() non è proprio il collo di bottiglia, è l'ultima riga del gruppo() che è il bit più lento! Saluti! – Donny