我试图分析大量的GitHub归档数据，并被许多限制所困扰。
所以我的分析也需要我搜索一个350 GB的数据集。我有数据的本地副本，也有一个副本可通过谷歌BigQuery。本地数据集被拆分为25000个单独的文件。数据集是事件的时间轴。
我想绘制每个存储库自创建以来拥有的星的数量。（仅适用于当前大于1000的回购）
我可以使用Google BigQuery很快得到这个结果，但它每次“分析”13.6GB的数据。这限制了我<75个请求，而不必为每增加75个请求支付5美元。
我的另一个选择是搜索我的本地副本，但是在每个文件中搜索特定的字符串（存储库名称）太花时间了。花了一个多小时的SSD驱动器上通过一半的文件之前，我杀死了进程。
有什么更好的方法可以分析如此大量的数据？
搜索所有本地文件的Python代码：

for yy in range(11,15):
                    for mm in range(1,13):
                        for dd in range(1,32):
                            for hh in range(0,24):
                                counter = counter + 1
                                if counter < startAt:
                                    continue    
                                if counter > stopAt:
                                    continue
                                #print counter
                                strHH = str(hh)
                                strDD = str(dd)
                                strMM = str(mm)
                                strYY = str(yy)
                                if len(strDD) == 1:
                                    strDD = "0" + strDD
                                if len(strMM) == 1:
                                    strMM = "0" + strMM
                                #print strYY + "-" + strMM + "-" + strDD + "-" + strHH
                                try:
                                    f = json.load (open ("/Volumes/WD_1TB/GitHub Archive/20"+strYY+"-"+strMM+"-"+strDD+"-"+strHH+".json", 'r') , cls=ConcatJSONDecoder)
                                    for each_event in f:
                                        if(each_event["type"] == "WatchEvent"):
                                            try:
                                                num_stars = int(each_event["repository"]["watchers"])
                                                created_at = each_event["created_at"]
                                                json_entry[4][created_at] = num_stars
                                            except Exception, e:
                                                print e
                                except Exception, e:
                                    print e

Google Big Query SQL命令：

SELECT repository_owner, repository_name, repository_watchers, created_at
  FROM [githubarchive:github.timeline]
  WHERE type = "WatchEvent"
  AND repository_owner = "mojombo"
  AND repository_name = "grit"
  ORDER BY created_at

我真的被难倒了，所以在这一点上的任何建议将不胜感激。