如何加速我的Ruby/Rake任务,它计算300K日期字符串中日期的出现次数？

Question

我有一个300K字符串的数组,代表日期:

date_array = [
  "2007-03-25 14:24:29",
  "2007-03-25 14:27:00",
  ...
]

我需要计算此数组中每个日期的出现次数(例如,"2011-03-25"的所有日期字符串).确切的时间无关紧要 - 只是日期.我知道文件中的日期范围.所以我有:

Date.parse('2007-03-23').upto Date.parse('2011-10-06') do |date_to_count|
  count = 0
  date_array.each do |date_string|
    if Date.parse(date_string) >= date_to_count && 
       Date.parse(date_string) <= date_to_count
      count += 1
    end
  end
  puts "#{date_to_count} occurred #{count} times."
end

在我的机器上计算仅一个日期的出现时间超过60秒.我可以通过哪些方式优化此任务的性能？

可能有用的注释:我使用的是Ruby 1.9.2.此脚本使用rake 0.9.2在Rake任务中运行.它date_array是从CSV文件加载的.在每次迭代中,它count都保存为我的Rails项目数据库中的记录.

Answer 1

是的,如果日期格式相同,则根本不需要解析日期.了解您的数据是您可以拥有的最强大的工具之一.

如果日期时间字符串都是相同的格式(yyyy-mm-dd HH:MM:SS)那么你可以做类似的事情

data_array.group_by{|datetime| datetime[0..9]}

这将为您提供一个哈希,比如日期字符串作为键,日期数组作为值

{
  "2007-05-06" => [...],
  "2007-05-07" => [...],
  ...
}

所以你必须得到每个数组的长度

data_array.group_by{|datetime| datatime[0..9]}.each do |date_string, date_array|
  puts "#{date_string} occurred #{date_array.length} times."
end

当然,当您不需要时,该方法会通过日期数组浪费内存.

怎么样

一种更节省内存的方法

date_counts = {}
date_array.each do |date_string|
  date = date_string[0..9]
  date_counts[date] ||= 0 # initialize count if necessary
  date_counts[date] += 1
end

最终会得到一个哈希,其中日期字符串为键,计数为值

{
  "2007-05-06" => 123,
  "2007-05-07" => 456,
  ...
}

将所有东西放在一起

date_counts = {}
date_array.each do |date_string|
  date = date_string[0..9]
  date_counts[date] ||= 0 # initialize count if necessary
  date_counts[date] += 1
end

Date.parse('2007-03-23').upto Date.parse('2011-10-06') do |date_to_count|
  puts "#{date_to_count} occurred #{date_counts[date_to_count.to_s].to_i} times."
end