问个 Python 性能相关的

[zckun]

有很多个学校，具体就先用一千万吧，每个学校有很多个班级，每个班有很多组男女生(男女成对出现，男女生数量相等)。

现在要求每个班里的男女生的某个差，比如身高、年龄，只需要知道这里会有点耗时，最后按班级吧结果输出到文件

要求用 python 实现，对速度有要求

[wuwukai007]

pandas

[HashV2]

这里性能应该是 sql 相关吧

[Jackeriss]

这是算法题还是什么？好奇怪的需求

[BBrother]

用 numpy 和 numba 来实现，但是我没自己试过

[sss495088732]

from aioelasticsearch import Elasticsearch
0.0

[Hstar]

从题目看， 学校数据毫无意义，反正是按班级 group by
题干也不是很清晰，实际遇到这种千万~亿级的数据就是直接丢进 es，和 python 毫无关系

[Vegetable]

离开 Python 好球区了。如果你采用循环读一个处理一个的方式的话，效率太低了，可能都没有 SQL 快。
1000W*10 班级*30*学生，这是 30 亿级别的数据，家用电脑已经无法直接读取到内存里了。如果只是流式处理的话，SQL 查出来的其实就是结果了，python 只负责写文件而已。

[zckun]

@Vegetable 我是按每个班级处理的，八个进程，一共有 1500 多个班级，68w 名学生，numpy+pandas 计算用是 93 分钟

[zckun]

@Hstar 没办法，人家就是要用 python，而且还要快

[superrichman]

@zckun 把代码贴出来，看怎么优化

[helloworld000]

这种都没有 dependence 的就直接上 spark 或者 hadoop 来算要快很多

[Nich0la5]

这个级别数据用 cython，不过这已经不算 python 了。原生循环有多慢跑个 1e8 就知道了

[Vegetable]

@zckun #8 你这个 68w 学生用时 93 分钟，处理 1w 人需要一分多钟应该是代码有问题了，不应该的，给个 demo 大家才好出主意在代码上优化

[jimrok]

Vaex,可以看看 https://mp.weixin.qq.com/s/uGGucS4m2FDGobN5DTXrMw，没试过。

[zckun]

@Vegetable 。。。优化到了 9 分钟，查找部分该用二分的，笨了点

[zckun]

@jimrok 谢谢老哥

[BiteTheDust]

需要查询的话 预处理好数据然后做 hash 表 然后每次去查表就行了 1e7 的数据应该不会很慢
其实这个对语言没啥特别的要求

[wangyzj]

pandas 吧

[no1xsyzy]

愈发看不懂了，“要求每个班里的男女生的某个差”是笛卡尔积求出差矩阵还是均差？
为什么会发生二分查找？中间发生了什么？

[lithbitren]

什么鬼，数据才 68 万，遍历一轮数据记录把男女身高总和和个数装进字典，然后遍历字典计算差指输出，最多不超过半秒。
主楼三十亿个学生是够吓人的，几十分钟是要的。

[lithbitren]

students = [
ㅤ{
ㅤㅤ'class': random.randrange(2000),
ㅤㅤ'sex': random.randint(0, 1),
ㅤㅤ'height': random.randrange(150, 190)
ㅤ}
ㅤfor _ in range(1_000_000)
]

collect = collections.defaultdict(lambda: {
ㅤ'maleSum': 0,
ㅤ'maleCount': 0,
ㅤ'femaleSum': 0,
ㅤ'femaleCount': 0
})

for student in students:
ㅤif student['sex']:
ㅤㅤcollect[student['class']]['maleSum'] += student['height']
ㅤㅤcollect[student['class']]['maleCount'] += 1
ㅤelse:
ㅤㅤcollect[student['class']]['femaleSum'] += student['height']
ㅤㅤcollect[student['class']]['femaleCount'] += 1

result = [
ㅤClass['maleSum'] / Class['maleCount'] - Class['femaleSum'] / Class['femaleCount']
ㅤfor Class in collect.values()
]

测了测，百万级数据查询时间肯定不超过半秒，这还是用带键名的，如果把临时字典换成数组，估计还能再将快几倍，拆分数组类型到 numpy 然后开 numba，估计还能再快几倍，几十分钟居然就真等了。。。

[necomancer]

numpy 就可以。anaconda 的 numpy 有 MKL 加速。比如身高，data->(10, 5, 50, 2) 型的数组-> 10 所学校，每个学校 5 个班级，等量男女各 50 人两组身高，只要 np.mean(data, axis=(0,1)) 就是按学校和班级做平均。你还需要什么统计量 numpy 都有现成函数。

[linvaux]

@sss495088732 6 的不行

[btv2bt]

pyspark ？