[英]Randomly Sample a python Set without converting to list
我花了很多时间阅读关于在python中获取随机样本的各种答案, random.sample
似乎是自然而且最常见的选择,但是我试图从python set
对象中进行采样并且希望能够做到这一点有效率的。
由于python中非常好用且高效的设置功能(交叉点,差异等),我使用的是一组。 对于我的目的,集合是一种非常有效的数据结构,而列表则没有。 我有一个算法情况,我在一个集合中有N
元素,并且可能需要为集合的每个采样采用任意大小的N
个子样本。 集合的每个子采样都不是完全相同的集合,并且由我必须生成子样本的每个元素的属性定义。 这是一些模糊的代码,它演示了算法的复杂性:
main_set = set(...) # Values sourced from elsewhere.
capacity = 20
for element in list:
potential_values = main_set - element.set # Exclude values already in element
sample_size = capacity - len(element.set) # Num needed to fill the set to capacity
new_vals = sample(potential_values, sample_size) # <- insert sampling idea here
element.set = element.set | new_vals # Union of sample and element set
根据我在网上和在某些测试中收集的内容, random.sample
似乎将一个set
转换为一个list
对象。 main_set - element.set
的大小main_set - element.set
, potential_values
几乎总是远大于element.set
的大小,因此如果每次采样必须将potential_values转换为列表,那么算法将极大地受到性能的影响。
那么,有没有人对如何有效地使用集合有任何建议或想法? 我很欣赏有关此问题的任何意见,在任何人跳到“过早优化”例程之前,我非常清楚它将要执行的规模以及O(n)和O之间的差异(n ^ 2)非常可观。
我特别不关心提供的任何sample()
方法的输出。 我从拉动实际样品potential_values
相比,规模较小 potential_values
。 相反,所有建议的sample()
方法都需要类似列表的输入才能工作,这意味着必须首先将potential_values
转换为可索引类型,这是我想要避免的。
我现在也意识到我以非常模糊的方式提出了大O符号,可能不应该有。 当我的意思是我想避免O(n ^ 2)时,我的意思是我想避免在循环中添加另一个O(n)操作。 正如我所指出的那样main_set - element.set
与list(main_set)
具有相同的时间复杂度,因此它已经是O(n ^ 2)。 添加list
转换使整个算法更像O(2n ^ 2),但这些都不是很重要。
你可以使用heapq.nlargest
,它可以接受任何迭代,并提供一个随机密钥来选择,例如:
import random, heapq
sample = heapq.nlargest(sample_size, your_set, key=lambda L: random.random())
注意 - 这将为您提供一个list
对象,因此您需要在必要时进行转换...
在IPython中快速尝试计时表明使用heapq.nlargest
不一定比现有方法更好,适当调整实际数据的特征:
import random
import heapq
set_size = 100000
sample_size = 1000
def sample_heapq(your_set, sample_size):
sample = heapq.nlargest(sample_size, your_set, key = lambda e: random.random())
return sample
def sample_original(your_set, sample_size):
sample = random.sample(your_set, sample_size)
return sample
eg_set = set(range(sample_size))
通过timeit
运行这些:
%timeit sample_heapq(eg_set, sample_size)
1000 loops, best of 3: 523 µs per loop
%timeit sample_original(eg_set, sample_size)
1000 loops, best of 3: 479 µs per loop
正如@ user2357112建议的那样,这里是我原始问题中的代码的拒绝采样版本,它有效地从源集合中采样n个元素,因为我只是从main_set
中采样尚未在elements.set
。
main_set = set(...) # Values sourced from elsewhere.
capacity = 20
listed_set = list(main_set) # initially convert set to list so we can sample
for element in list:
while len(element.set) < capacity
item = random.choice(listed_set)
element.set.add(item) # Sets cannot contain duplicates, no conditional required
虽然这不能解决如何直接从python中的set
中进行采样的问题,但它确实有效地解决了我的算法尝试做的事情。 如果过了一段时间,没有人想出直接从集合中采样的想法或比这更有效的东西,我可能会将此标记为答案。 感谢@ user2357112的想法!
正如@LieRyan指出的那样,如果element.set
与main_set
重叠很大的百分比,则此算法将无法从random.choice()
获得非重叠项。 因此,如果我们期望高重叠(例如可能是50%),那么只需使用main_set - element.set
获取两个集之间的唯一项,并将其转换为列表将比此方法快得多。 本质上,此算法适用于main_set
与element.set
重叠非常少的情况,作为main_set
的百分比。
取决于您对随机的定义。
只是一些元素,我不在乎哪个:
[s.copy().pop() for i in range(count)] # with replacement
copy = s.copy()
[copy.pop() for i in range(count)] # without replacement
具有体面[伪]随机分布的元素:
copy = list(s)
random.sample(copy, count)
可重复的伪随机分布:
copy = sorted(s)
# random.seed(...)
random.sample(copy, count)
可重复的伪随机, 假设具有较少的运行时开销:
heapq.nlargest(...) # per Jon or Marius
讨论:
set.pop()
已经删除并返回任意元素,但是如果对象散列值在set中是相同的,那么它是非常可预测的,例如,如果每次都是相同的数字集,那么每次set都不同时可以接受 set.copy()
是O(N)
sorted();list.sort()
是O(NlogN)
分摊的,可能因为set是由hash随机化的 heapq.nlargest
可以是每个中位数的 O(N)
,Python实现是一个恒定大小的二进制堆,使其成为O(N*log(n))
,因为N个元素通过大小为n的堆筛来过滤。 请注意,sing key=
添加一个值得注意的线性开销,因此O(C*N*log(n))
,您的域将确定C*log(n) <?> logN
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.