Python中数百万个元素的随机列表有效

Question

我已阅读此answer，这可能是在 Python 中随机化字符串列表的最佳方式。我只是想知道这是否是最有效的方法，因为我通过以下代码获得了大约 3000 万个元素的列表：

import json
from sets import Set
from random import shuffle

a = []

for i in range(0,193):
    json_data = open("C:/Twitter/user/user_" + str(i) + ".json")
    data = json.load(json_data)
    for j in range(0,len(data)):
        a.append(data[j]['su'])
new = list(Set(a))
print "Cleaned length is: " + str(len(new))

## Take Cleaned List and Randomize it for Analysis
shuffle(new)

如果有更有效的方法可以做到这一点，我将非常感谢任何关于如何做到这一点的建议。

谢谢，

Answer 1

几个可能的建议：

import json
from random import shuffle

a = set()
for i in range(193):
    with open("C:/Twitter/user/user_{0}.json".format(i)) as json_data:
        data = json.load(json_data)
        a.update(d['su'] for d in data)

print("Cleaned length is {0}".format(len(a)))

# Take Cleaned List and Randomize it for Analysis
new = list(a)
shuffle(new)

.

• 了解这是否更快的唯一方法是对其进行分析！
• 出于某种原因，您更喜欢 sets.Set 到内置的 set() 吗？
• 我引入了 with 子句（打开文件的首选方式，因为它保证它们会被关闭）
• 除了将其转换为集合之外，您似乎没有对“a”作为列表进行任何操作；为什么不从一开始就做一套呢？
• 而不是迭代索引，然后查找索引，我只是迭代数据项...
• 这使得它可以很容易地重写为生成器表达式

Answer 2

如果您认为要进行随机播放，最好使用此文件中的解决方案。对于realz。

randomly mix lines of 3 million-line file

基本上，shuffle 算法的周期非常短（这意味着它无法命中 300 万个文件的所有可能组合，更不用说 3000 万个）。如果您可以将数据加载到内存中，那么最好的选择就是他们所说的。基本上为每一行分配一个随机数并对那个坏男孩进行排序。

看到这个线程。在这里，我为你做了，所以你没有搞砸任何事情（这是个笑话），

import json
import random
from operator import itemgetter

a = set()
for i in range(0,193):
    json_data = open("C:/Twitter/user/user_" + str(i) + ".json")
    data = json.load(json_data)
    a.update(d['su'] for d in data)

print "Cleaned length is: " + str(len(new))

new = [(random.random(), el) for el in a]
new.sort()
new = map(itemgetter(1), new)

Answer 3

我不知道它是否会更快，但你可以试试numpy's shuffle。