python如何读取大文件以及分析时的性能优化小技巧

在二代、三代测序背景下，分析人员难免会遇到解析超过1G、或者10G以上的文件。这里将给大家简单介绍下如何用python读取大文件，并给大家提两个优化代码的小建议。

首先，python 读取GB级大文件，常规使用open() 内置函数进行打开操作。

python打开文件后，在进行读取内容时分三种情况：

（1）read() 读取整个文件，通常将文件内容放到一个字符串变量中；

（2）readline() 每次读取一行内容；

（3）readlines() 一次性读取所有内容并按行返回list；

当文件较大时，使用read() 函数将文件内容全部读取到内存中，当文件大小超过内存是，可能会导致内存溢出，此时可以定义一个tmp_size，即每次读取的文件大小，如下，tmp_size为2M大小：

但是在读取大文件时，不是内存溢出、就是需要自定义tmp_size大小，所以，这里推荐大家用with open()函数，它可以让系统自动进行IO缓存和内存管理，不需要管系统怎么去分配这些内存，并且在读取完毕之后，不需要手动去close() 文件句柄。

随后，这里讲解下python对于文件打开时的操作模式：

我们最常用的就是三种模式'r'、'w'、'a'。读取文件信息时，采用'r'（read）；写文件时分两种，一个是追加、一个是覆盖重写，分别对应'a'（append）和'w'（write），这两种模式对于不存在的文件首先会进行创建。

既然已经读取了文件内容，那下面就是需要对文件内容进行提取、存储，在存储方面，我们最常用的是list，以及dict。下面我们将就这两种数据类型进行优化技巧说明：

首先list，如果数据量很小，那用list还是set没有分别，但是如果你需要保存超过100的元素时，建议换成set()【这个set简直不要太好用啊~~】，set() 数据集在分析过程中不管是添加元素（add）还是判断元素是否存在，都会比list快至少1倍以上（当然数据越大，越明显）。作者曾经试过在list中存储1千个以上元素时，判断元素是否存在这个过程将非常耗时，但如果用set，整体时间将大大缩短【感觉整个人都轻松了许多】。

然后是dict，dict在存储value时，如果key对应的value是一个数组，比如基因的exon的起始位点有多个，那可以将多个起始位点的值存储为set类型，在exon较多的时候，脚本运行性能会有比较明显的提升。当然最多的时候我们对dict是进行key、value的遍历，一般遍历有两种方式：

在python2中，items() 方式返回的是一个list，那当数据很大时，会消耗大量内存，导致系统运行缓慢；而iteritems()方式返回的是一个迭代器并非列表。所以在python2中如果需要对key和value同时遍历时，采用iteritems() 效率更高。当然在python3中，对items() 的方式进行了优化，也返回迭代器，所以在python3中iteritems()的方式被取消了。

扫一扫，了解更多资讯

武汉博越致和生物科技有限公司

个人微信 :hsm664422

电话：027-87705460

我知道你会来，所以我等