从140秒到2秒的优化

最新推荐文章于 2025-04-08 19:33:56 发布

wind050412

最新推荐文章于 2025-04-08 19:33:56 发布

阅读量463

点赞数

分类专栏： Python 文章标签：优化 python filter import 数据挖掘 buffer

Python 专栏收录该内容

20 篇文章

订阅专栏

本文记录了一项从140秒优化到2秒的任务，通过对2亿个数字进行非重复计数。作者从bitarray出发，逐步引入多进程并最终采用NumPy和C扩展，实现了显著的性能提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from http://www.tech-q.cn/viewthread.php?tid=2123

[PYTHON] 从140秒到2秒的优化

从2亿个0~2,000,000,000之间的数字样本中找出不重复的记录总数，首先想到的是bloom filter，转念一想既然全都是数字，bloom filter有点太重，bitarray也许更有效，于是第一个版本出来，部分代码如下：

ba = bitarray(212**4)
cnt = 0
for i in data:
if (not ba[i]):
cnt += 1
ba[i] = True
print cnt

复制代码

大概需要140s左右，觉得if (not ba):这个比较费，改了第二版：

for i in data:
ba[i] = True
print ba.count()

复制代码
速度有所提升，到了120s左右，开始打起多核运算的主意了，山寨了一个map-reduce，首先通过maper把数据按照除4得余分成4份：

def maper(data):
map_data = (array('I'),array('I'),array('I'),array('I'))
for i in data:
      m = i % 4
      map_data[m].append(i)
return map_data
然后起了一个4个进程的woker pool分别计算，最后把结果汇总：
def worker(data):
counter = bitarray(256**4)
for i in data:counter[i] = True
return counter.count()
p = Pool(4)
result = p.map(worker, data)

复制代码
速度提高明显，到了50s左右，这个做法的问题是两次遍历：map的时候一次、reduce的时候又一次，于是开始想办法解决，把文件直接分开运算，不再map，把最后的结果做一下位或再计数：

p = Pool(4)
result = p.map(worker, data)
print (result[0] | result[1] | result[2] | result[3]).count()

复制代码
到了26s左右，可能Python在进程间交换大数据量效率不是太好，再优化的空间有限，想起之前用Python的科学运算库做过数据挖掘，能不能用那个库试试，于是有了NumPy的版本：

import numpy as np
print len(np.unique(np.fromfile('/path/to/data.dat', np.uint32)))

复制代码
全部程序就这两行，速度到了12s，让人崩溃，NumPy的底层大多是C的实现，对代码做了一个profile，发现NumPy用了sort，有点浪费，如果我用C实现一部分功能的话效果应该会不错，注意到代码中有for i in data，data中有2亿条，就循环调用了2亿次，尝试把这个调用都封装在C里面，使用C级别的循环，于是用C扩展了一下bitarray包：

static PyObject *
bitarray_fromarray(bitarrayobject *self, PyObject *pyo)
{
unsigned int *l;
idx_t n1;
Py_ssize_t nbytes, nitems, i;
if (PyObject_AsReadBuffer(pyo, (const void **)&l, &nbytes) != 0)
      return Py_False;
nitems = nbytes/sizeof(unsigned int);
for (i=0; i<nitems; i++) {
      *(self->ob_item + l[i] / 8) |= ((char) 1) << (l[i])%8;
}
n1 = count(self);
return PyLong_FromLongLong(n1);
}

复制代码
直接读取文件buffer到bitarray，python程序就变成了：

from bitarray import bitarray
counter = bitarray(212 ** 4)
fp = open('/path/to/data.datbk', 'rb')
un = counter.fromarray(fp.read())
print un

复制代码
一共5行代码，速度到了2s内，收工。