为啥我的Python这么慢 - 项查找 (二)

根据那篇文章改了两处写法，如下 (存储于readFaJoin2.py文件中)：

from collections import defaultdict

aDict = defaultdict(list)

for line in open("GRCh38.fa"):
    if line[0] == '>':
        key = line[1:-1]
    else:
        aDict[key].append(line.strip())
#----------------------------------------
for key, value in aDict.iteritems():
    aDict[key] = ''.join(value)

比之前提速接近2s。一个是使用了defaultdict初始化字典，另外一个是用iteritems遍历字典，节省近一半的内存。

time python readFaJoin2.py

real    0m49.114s
user    0m38.442s
sys 0m10.565s

defaultdict用在这效果不太明显，之前处理全基因组每个位点数据的频繁存取时，defaultdict在程序无论速度还是写法上都有很大提升。

字典本身还有更多高效用法，可以去参考知乎的那篇文章。这儿介绍的是妙用字典的哈希属性快速查找项。

在生信操作中，常常会在一个大矩阵中匹配已小部分基因或位点，提取关注的基因或位点的信息。最开始的写法是：

targetL = ['a', 'n', 'c', 'd']
if item in targetL:
    other_operations

后来，随着数据量变大，发现这个速度并不快，于是换了下面的方式

targetL = ['a', 'n', 'c', 'd']
targetD = dict.fromkeys(targetL, 0)

if item in targetD:
    other_operations

又可以愉快的查询了。

为什么呢？

这是因为：在Pyhton中列表的查询时间复杂度是O(n)(n是列表长度)；字典的查询负责度是O(1)(与字典长度无关)。

字典的查询复杂度为什么是O(1)呢？ Python中实现了一个hash函数，把字典的key转换为哈希值，组成连续地址的数字哈希表。字典的每次查询转换为了从数组特定位置取出一个元素，所以时间复杂度为O(1)。

后来发现python中set也是用hash table存储，所以上面的程序，可以更简化而不影响速度。

targetS = set(['a', 'n', 'c', 'd'])

if item in targetS:
    other_operations

那么速度到底差多大，有没有直观一些的展示呢? 这是StackOverflow的一个简化例子, 百万倍速度差异。

ct@ehbio:~$ python -mtimeit -s 'd=range(10**7)' '5*10**6 in d'

10 loops, best of 3: 182 msec per loop

ct@ehbio:~$ python -mtimeit -s 'd=dict.fromkeys(range(10**7))' '5*10**6 in d'

10000000 loops, best of 3: 0.16 usec per loop

ct@ehbio:~$ python -mtimeit -s 'd=set(range(10**7))' '5*10**6 in d'

10000000 loops, best of 3: 0.164 usec per loop

Ref:

• 速度测试例子 https://stackoverflow.com/questions/513882/python-list-vs-dict-for-look-up-table
• python各数据结构时间复杂度 https://wiki.python.org/moin/TimeComplexity