我正试图找到一种最快的方法来计算一个巨大的表中的一些唯一值,其中的行数很容易在1亿到100亿之间。在这个特殊的例子中,我处理的是128位整数
我试图理解为什么pandas方法会获得更好的结果(测试了100万行),因为它似乎在列级别进行操作,这让人感觉效率低下。如何在C++中实现这一点?我最初创建C++版本的尝试非常慢(比Python慢)。我使用了std:set、std:pair和std:map
第一次尝试如下所示:
import time
from collections import defaultdict as ddict
import pandas as pd
df = pd.DataFrame([]) # Load table with two columns containing 128 bit integers.
class Timer:
def __enter__(self):
self.start = time.time()
return self
def __exit__(self, *args):
self.end = time.time()
self.interval = self.end - self.start
print("time elapsed:" ,self.interval)
with Timer():
print(df['left'].nunique())
print(df['right'].nunique())
left_grp = df.groupby('left')
print(left_grp['right'].nunique().max())
right_grp = df.groupby('right')
print(right_grp['left'].nunique().max())
下面是一个纯Python示例,它以行为基础遍历数组,据我所知,这应该更有效。它只比熊猫版慢3倍
with Timer():
uniques1 = set()
uniques2 = set()
uniques3 = ddict(set)
uniques4 = ddict(set)
for i in range(len(ndarray)):
uniques1.add(ndarray[i]['left'])
uniques2.add(ndarray[i]['right'])
uniques3[ndarray[i]['left']].add(ndarray[i]['right'])
uniques4[ndarray[i]['right']].add(ndarray[i]['left'])
print(len(uniques1))
print(len(uniques2))
print(max(len(v) for v in uniques3.values()))
print(max(len(v) for v in uniques4.values()))
关于如何在C++中有效地实现上述纯Python代码的建议?我用C++的尝试。p>#include <stdint.h>
#include <map>
#include <bits/stdc++.h>
#include <algorithm>
typedef std::pair<uint64_t, uint64_t> uint128_t;
typedef std::set<uint128_t> set128_t;
typedef std::map<uint128_t, set128_t > map128_t;
namespace nunique_highperf{
int get_max(const map128_t& map) {
int best = 0;
auto it = map.begin();
while (it != map.end()) {
best = std::max(best, (int)it->second.size());
it++;
}
return best;
}
void default_update(map128_t &map, uint128_t left, uint128_t right) {
set128_t temp;
map.emplace(left, temp);
temp = map[left];
temp.insert(right);
map[left] = temp;
}
void uniques_from_table(uint64_t **sessions, int rows) {
set128_t uniques1;
set128_t uniques2;
map128_t uniques3;
map128_t uniques4;
for (int i=0; i<rows; i++) {
uint128_t left = std::make_pair(sessions[i][0], sessions[i][1]);
uint128_t right = std::make_pair(sessions[i][2], sessions[i][3]);
uniques1.insert(left);
uniques2.insert(right);
default_update(uniques3, left, right);
default_update(uniques4, right, left);
}
printf("%d\n", uniques1.size());
printf("%d\n", uniques2.size());
printf("%d\n", get_max(uniques3));
printf("%d\n", get_max(uniques4));
}
}
在实际的实现中,将有多个列(而不是示例中的2个),从中计算唯一元素的数量,因此我不仅要问计算单个列的不同值的最快方法,还要问多个列以及列对
< >编辑:添加C++代码
解决办法其实很简单
将默认的_更新功能替换为:
成功了
相关问题 更多 >
编程相关推荐