为啥我的Python这么慢 (一)

来源:互联网 时间:2017-10-17


欢迎关注生信宝典http://mp.weixin.qq.com/s/n5kkZfC8FGlzeBODarLHcw

长假结束了,这不痛苦。痛苦的是长假结束了,发现写的基因组读取程序还没运行完?

在Python系列教程中,我们提到一个概念字符串是不可修改的。这一点可以通过id函数来判断确实是对的。但是这个概念会对我们写作程序有什么影响一直没有特别深的理解。

直到有一次,实验室一个朋友要读基因组数据,结果发现3 G的基因组读一晚上都没读完,就很诧异,看了下代码,这么写的。

基因组序列是GRCh38.faFASTA格式,序列行每行70个字符,共44,284,892行 (记住行数有多大),示例如下。

>chr1NNNNN...(60个N)...NNNNNACGTA...(60个Nt)...ACGTA...>chr2NNNNN...(60个N)...NNNNNACGTA...(60个Nt)...ACGTA...

读取程序如下(这里只选了读取基因组的部分,点击查看更多FASTA的操作):

aDict = {}for line in open("GRCh38.fa"): if line[0] == '>': key = line[1:-1] aDict[key] = '' else: aDict[key]+=line.strip()

程序看上去没问题,获取id,读取一行附加在前一行后面,逻辑是对的。然后运行上程序,回去睡觉,满心欢喜期待第二天早上出来获得结果,结果啥也没出来,程序还停留在读取基因组序列步骤。

按我们服务器的性能,这不应该啊。就看代码是不是出问题了,怎么看逻辑都对。后来就想会不会是序列累加的问题,就换了一个写法。代码稍微长了些,先存入列表,再连接起来。

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

使用time函数,查看下运行速度,不足1分钟。time及更多程序监测方法见命令运行监测和软件安装。

time readFaJoin.py real 0m51.256suser 0m40.729ssys 0m10.425s

不比不知道,一比吓一跳;速度差了何止几千倍。

这时,我们重新理解下什么叫字符串不可修改。

使用id函数来确定字符串累加跟列表累加的不同。(不同电脑或不同时间允许的id不同,不看具体数字,只看id的变化)

ehbio = "Sheng Xin Bao Dian"id(ehbio)## Output: 140405359946640ehbio += ' very good'ehbio## Output: 'Sheng Xin Bao Dian very good'id(ehbio)## Output: 140405344262576

同样的变量名字,但不同的id。就是说python在对变量ehbio新增字符串时,是先开辟一份内存空间,把ehbio原有内容加新内容组成的字符串存入新的内存空间。而不是想象中的直接追加在已有字符串的后面。这样对4千万行数据的操作就是要做4千万次的内存空间开辟和字符串存储。这是一个特别耗时的步骤。

而如果是一个列表呢?

aList = ['Sheng','Xin']id(aList)## Output: 140405344245520aList.append("Bao")id(aList)## Output: 140405344245520aList.extend(["Dian", "excellent"])id(aList)## Output: 140405344245520

而列表就不一样了,无论是使用append增加一个元素,还是使用extend增加一组元素,列表变量aListid都没有变化。说明这是追加,不是新建。

Python使用中还有不少类似这样的需要注意的小细节,在后续会陆续推出。

而且我们生信宝典团队要开培训班了,涉及Linux系统操作Python编程R Cytoscape作图高通量数据分析。如果您有需要我们解决的问题,还请后台留言,一并纳入培训班的授课。希望通过我们的努力,让培训发挥作用,不管是来学技术,来学理念,还是来解决你手头棘手的问题,希望都能有所收获。

具体日期静待公布。

相关阅读:
Top