Чтение и разбор TSV файла, а затем управление им для сохранения в CSV (* эффективно *)

Мои исходные данные находятся в файле TSV, 6 столбцах и более 2 миллионов строк.

Вот что я пытаюсь выполнить:

  • Мне нужно прочитать данные в 3 из столбцов (3, 4, 5) в этом исходном файле
  • Пятый столбец представляет собой целое число. Мне нужно использовать это целочисленное значение для дублирования записи строки с использованием данных в третьем и четвертом столбцах (по числу целых раз).
  • Я хочу записать вывод # 2 в выходной файл в формате CSV.

Ниже я придумал.

Мой вопрос: это эффективный способ сделать это? Похоже, что это может быть интенсивным при попытке на 2 миллиона строк.

Во-первых, я создал отдельный файл вкладки с образцом для работы с ним и назвал его "sample.txt". Он базовый и имеет только четыре строки:

Row1_Column1    Row1-Column2    Row1-Column3    Row1-Column4    2   Row1-Column6
Row2_Column1    Row2-Column2    Row2-Column3    Row2-Column4    3   Row2-Column6
Row3_Column1    Row3-Column2    Row3-Column3    Row3-Column4    1   Row3-Column6
Row4_Column1    Row4-Column2    Row4-Column3    Row4-Column4    2   Row4-Column6

то у меня есть этот код:

import csv 

with open('sample.txt','r') as tsv:
    AoA = [line.strip().split('\t') for line in tsv]

for a in AoA:
    count = int(a[4])
    while count > 0:
        with open('sample_new.csv','ab') as csvfile:
            csvwriter = csv.writer(csvfile, delimiter=',')
            csvwriter.writerow([a[2], a[3]])
        count = count - 1

Ответы

Ответ 1

Вы должны использовать модуль csv для чтения файла значений, разделенных табуляцией. Не читайте его в памяти за один раз. Каждая прочитанная строка имеет всю информацию, необходимую для записи строк в выходной файл CSV. Храните выходной файл открытым.

import csv

with open('sample.txt','rb') as tsvin, open('new.csv', 'wb') as csvout:
    tsvin = csv.reader(tsvin, delimiter='\t')
    csvout = csv.writer(csvout)

    for row in tsvin:
        count = int(row[4])
        if count > 0:
            csvout.writerows([row[2:4] for _ in xrange(count)])

или, используя модуль itertools, чтобы выполнить повторение с помощью itertools.repeat():

from itertools import repeat
import csv

with open('sample.txt','rb') as tsvin, open('new.csv', 'wb') as csvout:
    tsvin = csv.reader(tsvin, delimiter='\t')
    csvout = csv.writer(csvout)

    for row in tsvin:
        count = int(row[4])
        if count > 0:
            csvout.writerows(repeat(row[2:4], count))