Alfabetizar rápidamente un archivo grande a través de python

Question

#!/usr/bin/python 

import random 
import string 

appendToFile = open("appendedFile", "a") 

# Generator 

for i in range(1, 100000): 

    chars = "".join([random.choice(string.letters) for i in xrange(15)]) 
    chars2 = "".join([random.choice(string.letters) for i in xrange(15)]) 

    appendToFile.write(chars + ":" + chars2 + "\n") 

appendToFile.close() 

Código modificado a partir de this question.

El código anterior genera 100.000 líneas de texto al azar en el formato de STRING: STRING. El archivo de texto resultante es 3.1 MB.

¿Cómo se alfabetizaría rápidamente el archivo con la primera STRING en STRING: STRING? El caso es irrelevante.

El tipo de burbuja es muy lento, ¿no?

Answer 1

Esto es muy rápido (menos de 1 segundo en mi computadora). Utiliza un tipo insensible a mayúsculas y minúsculas, ¿cuál es el significado al que se refiere con "caso es irrelevante"?

#!/usr/bin/python 

appendToFile = open("appendedFile", "r") 
sortToFile = open("sortedFile", "w") 

for line in sorted(appendToFile, key = str.lower): 
    sortToFile.write(line) 

Answer 2

El primer enfoque obvio es simplemente usar la función de ordenamiento incorporada en Python. ¿No es esto lo que tenías en mente? Si no, ¿por qué? Con solo 100.000 líneas de texto aleatorio, el género incorporado sería muy rápido.

lst = open("appendedFile", "rt").readlines() 
lst.sort(key=str.lower) 

Listo. Podríamos hacerlo como una sola línea, si realmente quería a:

lst = sorted(open("appendedFile", "rt").readlines(), key=str.lower) 

EDIT: Acabo de comprobar, y strings.letters incluye tanto mayúsculas y minúsculas. Por lo tanto, el código anterior se modifica para que no distinga entre mayúsculas y minúsculas.

EDIT: más en la clasificación en Python: http://wiki.python.org/moin/HowTo/Sorting

Answer 3

Prueba esto (mayúsculas y minúsculas):

l=file(appendedFile).readlines() 
l.sort(key=lambda x:x.lower()) 

Para este tipo de tamaños optimización de su no es realmente necesario (tiempos en mi máquina lenta ;-) :

christophe@orion:~$ time python -c "l=file('appendedFile').readlines();l.sort(key=lambda x:x.lower())" 

real 0m0.615s 
user 0m0.576s 
sys 0m0.024s