首页
学习
活动
专区
工具
TVP
发布
社区首页 >问答首页 >如何在Python中有效地计算非常大的数据集的基数?

如何在Python中有效地计算非常大的数据集的基数?
EN

Stack Overflow用户
提问于 2012-04-16 02:01:14
回答 2查看 6.1K关注 0票数 16

我一直在使用一些非常非常大的数据集,通常是数十亿个元素,这些数据都保存在memcached云中,并定期转储到文件中,对于我的一项任务,我会尝试计算这些数据集的基数。

对于某些上下文,每个条目都包含一个IP和一些其他属性,用于标识一个人,并以base64编码,条目大小为20字节。通过删除某些字段来减小项目的大小是不可能的。

下面是将我的dataset模拟为内存中版本的东西(感谢用于字符串生成的this post ):

代码语言:javascript
复制
import base64, os

dataset_size = 10000000000 # that's 10 billion, be careful if you run it !
big_dataset = [base64.b64encode(os.urandom(10)) for i in range(dataset_size)]

我的第一种方法是使用如下所示的哈希集:

代码语言:javascript
复制
uniques = set(big_dataset)
print "Cardinality: %d" % len(uniques)

虽然这在理论上在小数据集上工作得很好,但您可以猜到有一个小问题:

  • 我不能对我的数据的唯一性做任何假设。我可以有50%的数据集是唯一的,或者我也可以有100%。这是以固定的时间间隔动态生成的,并根据许多因素( example)
  • Dataset大小为100亿的一天中的时间)而变化。以64进制编码的每个项目是20字节,乘以100亿平均是几百千兆字节。不幸的是,我无法访问内存那么大的机器!

我已经做了功课,充其量找到了一些研究论文,或者一些晦涩的库,但这其中的一部分目标是理解什么方法有效以及为什么。

所以我呼吁Python用户,你们知道什么算法可以帮助我有效地估计基数吗?所谓复杂性,我的意思是我不太关心运行时间复杂性,但我更关注空间复杂性。如果它极大地提高了性能,我不介意牺牲一点准确性(所以我不一定需要知道唯一的确切数量,即使这是理想的,但可能不是一个可行的方法)。我想说5%是可以接受的。我正在寻找一些专门为这个项目在Python中的东西。

感谢您能提供的任何帮助!

正如一些人所指出的,我可以使用Hadoop/ MR,但对于这个特定的项目,我们不想走MR的路,而是想探索在一台机器上高效地完成这项工作的算法,因为这可以应用于其他几个不同的项目。

EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/10164608

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档