读取和解析TSV文件，然后将其操作以保存为CSV（*高效*）

Question

我的源数据是TSV文件，6列，超过200万行。

这就是我想要完成的事情：

1. 我需要读取此源文件
中3列（3,4,5）中的数据
2. 第五列是整数。我需要使用这个整数值来复制行条目，使用第三和第四列中的数据（按整数次数）。
3. 我想将＃2的输出写入CSV格式的输出文件。

以下是我的想法。

我的问题：这是一种有效的方法吗？在200万行上尝试时似乎可能是密集的。

首先，我制作了一个样本选项卡单独的文件，并将其命名为'sample.txt'。这是基本的，只有四行：

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

然后我有这个代码：

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

Answer 1

您应该使用csv模块来读取制表符分隔值文件。 不一次性将其读入内存。您阅读的每一行都包含将行写入输出CSV文件所需的所有信息。始终保持输出文件打开。

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)])

或使用itertools模块重复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))