Python: как ускорить загрузку этого файла

Я ищу способ ускорить загрузку файла следующим образом:

Данные содержат около 1 миллиона строк, табуляция разделена символом "\t" (символ табуляции) и кодировка utf8, для анализа полного файла с приведенным ниже кодом требуется около 9 секунд. Тем не менее, я хотел бы быть почти в порядке секунды!

def load(filename):
    features = []
    with codecs.open(filename, 'rb',  'utf-8') as f:
        previous = ""
        for n, s in enumerate(f):
            splitted = tuple(s.rstrip().split("\t"))
            if len(splitted) != 2:
                sys.exit("wrong format!")
            if previous >= splitted:
                sys.exit("unordered feature")
            previous = splitted
            features.append(splitted)
    return features   

Мне интересно, могут ли какие-либо данные двоичного формата что-то ускорить? Или, если бы я мог воспользоваться некоторыми NumPy или любыми другими библиотеками, чтобы иметь более высокую скорость загрузки.

Может быть, вы могли бы дать мне совет по поводу другого узкого места в скорости?

РЕДАКТИРОВАТЬ: попробую некоторые из ваших идей, спасибо! Кстати, мне действительно нужен кортеж (строка, строка) внутри огромного списка... вот результаты, я получаю 50% времени :) теперь я собираюсь позаботиться о двоичных данных NumPy, как я заметил что еще один огромный файл действительно очень быстро загружался...

import codecs

def load0(filename): 
    with codecs.open(filename, 'rb',  'utf-8') as f: 
    return f.readlines() 

def load1(filename): 
    with codecs.open(filename, 'rb',  'utf-8') as f: 
    return [tuple(x.rstrip().split("\t")) for x in f.readlines()]

def load3(filename):
    features = []
    with codecs.open(filename, 'rb',  'utf-8') as f:
    for n, s in enumerate(f):
        splitted = tuple(s.rstrip().split("\t"))
        features.append(splitted)
    return features

def load4(filename): 
    with codecs.open(filename, 'rb',  'utf-8') as f: 
    for s in f: 
        yield tuple(s.rstrip().split("\t")) 

a = datetime.datetime.now()
r0 = load0(myfile)
b = datetime.datetime.now()
print "f.readlines(): %s" % (b-a)

a = datetime.datetime.now()
r1 = load1(myfile)
b = datetime.datetime.now()
print """[tuple(x.rstrip().split("\\t")) for x in f.readlines()]: %s""" % (b-a)

a = datetime.datetime.now()
r3 = load3(myfile)
b = datetime.datetime.now()
print """load3: %s""" % (b-a)
if r1 == r3: print "OK: speeded and similars!"

a = datetime.datetime.now()
r4 = [x for x in load4(myfile)] 
b = datetime.datetime.now()
print """load4: %s""" % (b-a)
if r4 == r3: print "OK: speeded and similars!"

Результаты :

f.readlines(): 0:00:00.208000
[tuple(x.rstrip().split("\t")) for x in f.readlines()]: 0:00:02.310000
load3: 0:00:07.883000
OK: speeded and similars!
load4: 0:00:07.943000
OK: speeded and similars!

что-то очень странное в том, что я замечаю, что у меня может быть почти удвоенное время в двух последовательных запусках (но не каждый раз):

>>> ================================ RESTART ================================
>>> 
f.readlines(): 0:00:00.220000
[tuple(x.rstrip().split("\t")) for x in f.readlines()]: 0:00:02.479000
load3: 0:00:08.288000
OK: speeded and similars!
>>> ================================ RESTART ================================
>>> 
f.readlines(): 0:00:00.279000
[tuple(x.rstrip().split("\t")) for x in f.readlines()]: 0:00:04.983000
load3: 0:00:10.404000
OK: speeded and similars!

ПОСЛЕДНЯЯ РЕДАКТИРОВАТЬ: ну, я попытался изменить, чтобы использовать numpy.load... это очень странно для меня... из "обычного" файла с моими 1022860 строками и 10 КБ. После выполнения numpy.save(numpy.array(load1(myfile))) я получил 895 МБ! а затем перезагружая это с помощью numpy.load(), я получаю такое время при последовательных запусках:

  >>> ================================ RESTART ================================
  loading: 0:00:11.422000 done.
  >>> ================================ RESTART ================================
  loading: 0:00:00.759000 done.

может быть, numpy делает некоторые вещи с памятью, чтобы избежать перезагрузки в будущем?