[英]Obtain a list containing string elements excluding elements prefixed with any other element from initial list
我在过滤字符串列表时遇到了一些麻烦。 我在这里找到了类似的问题,但不是我所需要的。
输入列表是:
l = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
预期结果是
['ab', 'xc', 'sdfdg']
结果中项目的顺序并不重要
筛选器功能必须快速,因为列表很大
我当前的解决方案是
l = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
for i in range(0, len(l) - 1):
for j in range(i + 1, len(l)):
if l[j].startswith(l[i]):
l[j] = l[i]
else:
if l[i].startswith(l[j]):
l[i] = l[j]
print list(set(l))
编辑
在使用大输入数据进行多次测试之后,列出1500000个字符串,对此的最佳解决方案是:
def filter(l):
if l==[]:
return []
l2=[]
l2.append(l[0])
llen = len(l)
k=0
itter = 0
while k<llen:
addkelem = ''
j=0
l2len = len(l2)
while j<l2len:
if (l2[j].startswith(l[k]) and l[k]!= l2[j]):
l2[j]=l[k]
l.remove(l[k])
llen-=1
j-=1
addkelem = ''
continue
if (l[k].startswith(l2[j])):
addkelem = ''
break
elif(l[k] not in l2):
addkelem = l[k]
j+=1
if addkelem != '':
l2.append(addkelem)
addkelem = ''
k+=1
return l2
执行时间约为213秒
输入数据样本 -每一行都是列表中的一个字符串
此算法使用作者提交的输入文件(154MB)在我的计算机上在0.97秒内完成了任务:
l.sort()
last_str = l[0]
filtered = [last_str]
app = filtered.append
for str in l:
if not str.startswith(last_str):
last_str = str
app(str)
# Commented because of the massive amount of data to print.
# print filtered
该算法很简单:首先按字典顺序对列表进行排序,然后搜索列表的第一个没有前缀的字符串,然后搜索下一个没有最后一个前缀的字符串,等等。
如果列表已经排序(示例文件似乎已经排序),则可以删除l.sort()
行,这将导致时间和内存复杂度为O(n)。
您可以按首字母对项目进行分组,然后仅搜索子列表,除非字符串具有至少相同的首字母,否则任何字符串都不能以子字符串开头:
from collections import defaultdict
def find(l):
d = defaultdict(list)
# group by first letter
for ele in l:
d[ele[0]].append(ele)
for val in d.values():
for v in val:
# check each substring in the sublist
if not any(v.startswith(s) and v != s for s in val):
yield v
print(list(find(l)))
['sdfdg', 'xc', 'ab']
正如下面的代码所示,这正确地过滤了单词,如reduce函数所没有, 'tool'
不应出现在输出中:
In [56]: l = ["tool",'ab',"too", 'xc', 'abb',"toot", 'abed',"abel", 'sdfdg', 'abfdsdg', 'xccc',"xcew","xrew"]
In [57]: reduce(r,l)
Out[57]: ['tool', 'ab', 'too', 'xc', 'sdfdg', 'xrew']
In [58]: list(find(l))
Out[58]: ['sdfdg', 'too', 'xc', 'xrew', 'ab']
它还有效地做到了:
In [59]: l = ["".join(sample(ascii_lowercase, randint(2,25))) for _ in range(5000)]
In [60]: timeit reduce(r,l)
1 loops, best of 3: 2.12 s per loop
In [61]: timeit list(find(l))
1 loops, best of 3: 203 ms per loop
In [66]: %%timeit
..... result = []
....: for element in lst:
....: is_prefixed = False
....: for possible_prefix in lst:
....: if element is not possible_prefix and element.startswith(possible_prefix):
....: is_prefixed = True
....: break
....: if not is_prefixed:
....: result.append(element)
....:
1 loops, best of 3: 4.39 s per loop
In [92]: timeit list(my_filter(l))
1 loops, best of 3: 2.94 s per loop
如果您知道最小字符串长度始终> 1,则可以进一步优化,如果最小长度字符串为2
则一个单词必须至少具有前两个字母的共同点:
def find(l):
d = defaultdict(list)
# find shortest length string to use as key length
mn = len(min(l, key=len))
for ele in l:
d[ele[:mn]].append(ele)
for val in d.values():
for v in val:
if not any(v.startswith(s) and v != s for s in val):
yield v
In [84]: timeit list(find(l))
100 loops, best of 3: 14.6 ms per loop
最后,如果您有欺骗,则可能要从列表中过滤掉重复的单词,但需要让它们进行比较:
from collections import defaultdict,Counter
def find(l):
d = defaultdict(list)
mn = len(min(l, key=len))
cn = Counter(l)
for ele in l:
d[ele[:mn]].append(ele)
for val in d.values():
for v in val:
if not any(v.startswith(s) and v != s for s in val):
# make sure v is not a dupe
if cn[v] == 1:
yield v
因此,如果速度很重要,则使用上述代码的某些变体的实现将比您的幼稚方法快得多。 内存中还存储了更多数据,因此您也应该考虑到这一点。
为了节省内存,我们可以为每个val / sublist创建一个计数器,因此我们一次只存储一个单词的计数器dict:
def find(l):
d = defaultdict(list)
mn = len(min(l, key=len))
for ele in l:
d[ele[:mn]].append(ele)
for val in d.values():
# we only need check each grouping of words for dupes
cn = Counter(val)
for v in val:
if not any(v.startswith(s) and v != s for s in val):
if cn[v] == 1:
yield v
创建一个dict,每个循环会增加5毫秒,因此对于5k字来说,仍然<20毫秒。
如果对数据进行排序,则reduce方法应该起作用:
reduce(r,sorted(l)) # -> ['ab', 'sdfdg', 'too', 'xc', 'xrew']
为了使行为之间的区别清楚:
In [202]: l = ["tool",'ab',"too", 'xc', 'abb',"toot", 'abed',
"abel", 'sdfdg', 'abfdsdg', 'xccc',"xcew","xrew","ab"]
In [203]: list(filter_list(l))
Out[203]: ['ab', 'too', 'xc', 'sdfdg', 'xrew', 'ab']
In [204]: list(find(l))
Out[204]: ['sdfdg', 'too', 'xc', 'xrew', 'ab', 'ab']
In [205]: reduce(r,sorted(l))
Out[205]: ['ab', 'sdfdg', 'too', 'xc', 'xrew']
In [206]: list(find_dupe(l))
Out[206]: ['too', 'xrew', 'xc', 'sdfdg']
In [207]: list(my_filter(l))
Out[207]: ['sdfdg', 'xrew', 'too', 'xc']
In [208]: "ab".startswith("ab")
Out[208]: True
因此ab
重复了两次,因此使用set或dict而不跟踪ab
出现的时间意味着我们认为没有其他元素满足ab
"ab".startswith(other ) == True
,可以看到是不正确的。
您还可以使用itertools.groupby根据最小索引大小进行分组:
def find_dupe(l):
l.sort()
mn = len(min(l, key=len))
for k, val in groupby(l, key=lambda x: x[:mn]):
val = list(val)
for v in val:
cn = Counter(val)
if not any(v.startswith(s) and v != s for s in val) and cn[v] == 1:
yield v
根据您的评论,如果您认为"dd".startswith("dd")
不包含重复元素,则我们可以调整我的第一个代码:
l = ['abbb', 'xc', 'abb', 'abed', 'sdfdg', 'xc','abfdsdg', 'xccc', 'd','dd','sdfdg', 'xc','abfdsdg', 'xccc', 'd','dd']
def find_with_dupe(l):
d = defaultdict(list)
# group by first letter
srt = sorted(set(l))
ind = len(srt[0])
for ele in srt:
d[ele[:ind]].append(ele)
for val in d.values():
for v in val:
# check each substring in the sublist
if not any(v.startswith(s) and v != s for s in val):
yield v
print(list(find_with_dupe(l)))
['abfdsdg', 'abed', 'abb', 'd', 'sdfdg', 'xc']
在您自己的代码执行的时间的一小部分中,运行在随机文本样本上的运行时间为:
In [15]: l = open("/home/padraic/Downloads/sample.txt").read().split()
In [16]: timeit list(find(l))
100 loops, best of 3: 19 ms per loop
In [17]: %%timeit
....: l = open("/home/padraic/Downloads/sample.txt").read().split()
....: for i in range(0, len(l) - 1):
....: for j in range(i + 1, len(l)):
....: if l[j].startswith(l[i]):
....: l[j] = l[i]
....: else:
....: if l[i].startswith(l[j]):
....: l[i] = l[j]
....:
1 loops, best of 3: 4.92 s per loop
两者返回相同的输出:
In [41]: l = open("/home/padraic/Downloads/sample.txt").read().split()
In [42]:
for i in range(0, len(l) - 1):
for j in range(i + 1, len(l)):
if l[j].startswith(l[i]):
l[j] = l[i]
else:
if l[i].startswith(l[j]):
l[i] = l[j]
....:
In [43]:
In [43]: l2 = open("/home/padraic/Downloads/sample.txt").read().split()
In [44]: sorted(set(l)) == sorted(find(l2))
Out[44]: True
Edit3经过沉思后,我编写了此算法。 这是更快,1K倍,比reduce
基于由帕德里克·坎宁安(感谢集)提供的大随机数据集为基础的方法。 该算法的复杂度约为O(nlogn),尽管还有一些空间可以进行次要的优化。 它的存储效率也很高。 它大约需要n个额外空间。
def my_filter(l):
q = sorted(l, reverse=True)
first = q.pop()
addfirst = True
while q:
candidate = q.pop()
if candidate == first:
addfirst = False
continue
if not candidate.startswith(first):
if addfirst:
yield first
first, addfirst = candidate, True
if addfirst:
yield first
Edit2这件事与我的测试中基于reduce
的算法一样快,但是这种比较取决于所使用的数据集。 我只是将教科书页面解析为单词。 该算法基于以下观察。 假设A,B和C为字符串,len(A)<min(len(B),len(C))。 观察一下,如果A是B的前缀,那么只需检查A是否是C的前缀就可以说存在C的前缀。
def my_filter(l):
q = sorted(l, key=len)
prefixed = []
while q:
candidate = q.pop()
if any(candidate.startswith(prefix) for prefix in prefixed):
continue
if any(candidate.startswith(string) for string in q):
prefixed.append(candidate)
else:
yield candidate
原始帖子这是我提出的原始算法。 实际上,它是算法的简洁版本。
l = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
res = [string for string in l if sum(not string.startswith(prefix) for prefix in l) == len(l)-1]
演示>>>
print res
# ['ab', 'xc', 'sdfdg']
lst = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
result = []
for element in lst:
is_prefixed = False
for possible_prefix in lst:
if element is not possible_prefix and element.startswith(possible_prefix):
is_prefixed = True
break
if not is_prefixed:
result.append(element)
测试好!
import thread
import math
import multiprocessing
list = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
def get_results(list, thread_num, num_of_threads):
result = []
part_size = int(math.ceil(len(list) * 1.0 / num_of_threads))
for element in list[part_size * thread_num: part_size * (thread_num + 1)]:
is_prefixed = False
for possible_prefix in list:
if element is not possible_prefix and element.startswith(possible_prefix):
is_prefixed = True
if not is_prefixed:
result.append(element)
return result
num_of_threads = multiprocessing.cpu_count()
results = []
for t in xrange(num_of_threads):
thread.start_new_thread(lambda list: results.extend(get_results(list, t, num_of_threads)), (list,))
from collections import Counter
def filter_list(mylist):
longest_string = len(max(mylist, key=len))
set_list = [set(filter(lambda x: len(x) == i, mylist))
for i in range(1, longest_string)]
def unique_starts_with_filter(string):
for i in range(1, len(string)):
if string[:i] in set_list[i-1]: return False
return True
cn = Counter(mylist)
mylist = filter(lambda x: cn[x] == 1, mylist)
return filter(unique_starts_with_filter, mylist)
(再次)编辑样式和非常小的优化
解决方案1 (使用LinkedList)
这是使用排序( O(n * log(n))
)和LinkedList
迭代( O(n)
)并删除元素( O(1)
)的非常简单的解决方案。 如果对初始数据进行排序,则将按以下方式对元素进行排序:另一个元素的最长前缀元素将与后面的元素相邻。 因此,该元件可以被去除。
这是一个过滤掉排序的LinkedList
的代码:
def filter_out(the_list):
for element in the_list:
if element.prev_node and element.get_data().startswith(element.prev_node.get_data()):
the_list.remove(element)
return the_list
并像这样使用它:
linked_list = LinkedList(sorted(l))
filter_out(linked_list)
然后,您的linked_list
将包含过滤的数据。
该解决方案将采用O(n * log(n))
这是LinkedList
的实现:
class Node(object):
def __init__(self, data=None, next_node=None, prev_node=None):
self.data = data
self._next_node = next_node
self._prev_node = prev_node
def get_data(self):
return self.data
@property
def next_node(self):
return self._next_node
@next_node.setter
def next_node(self, node):
self._next_node = node
@property
def prev_node(self):
return self._prev_node
@prev_node.setter
def prev_node(self, node):
self._prev_node = node
def __repr__(self):
return repr(self.get_data())
class LinkedList(object):
def __init__(self, iterable=None):
super(LinkedList, self).__init__()
self.head = None
self.tail = None
self.size = 0
if iterable:
for element in iterable:
self.insert(Node(element))
def insert(self, node):
if self.head:
self.tail.next_node = node
node.prev_node = self.tail
self.tail = node
else:
self.head = node
self.tail = node
self.size += 1
def remove(self, node):
if self.size > 1:
prev_node = node.prev_node
next_node = node.next_node
if prev_node:
prev_node.next_node = next_node
if next_node:
next_node.prev_node = prev_node
else:
self.head = None
self.tail = None
def __iter__(self):
return LinkedListIter(self.head)
def __repr__(self):
result = ''
for node in self:
result += str(node.get_data()) + ', '
if result:
result = result[:-2]
return "[{}]".format(result)
class LinkedListIter(object):
def __init__(self, start):
super(LinkedListIter, self).__init__()
self.node = start
def __iter__(self):
return self
def next(self):
this_node = self.node
if not this_node:
raise StopIteration
self.node = self.node.next_node
return this_node
解决方案2 (使用集)
如果不需要算法稳定,即结果列表不需要保持元素的原始顺序,这是使用set
的解决方案。
因此,让我们做出一些定义:
n
列表的大小,即元素数
m
列表中字符串元素的最大可能长度
首先,INITIALISE一个新的set
inter
你原有的list
l
:
inter = set(l)
这样,我们将删除所有重复的元素,这将简化我们的进一步工作。 同样,此操作将平均采用O(n)
复杂度,而在最坏情况下将采用O(n)
O(n^2)
。
然后制作另一个空set
,以保留结果:
result = set()
现在,让我们检查一下每个元素,在我们的inter
集中是否有后缀:
for elem in inter: # This will take at most O(n)
no_prefix = True
for i in range(1, len(elem)): # This will take at most O(m)
if elem[:i] in inter: # This will take avg: O(1), worst: O(n)
no_prefix = False
continue
if no_prefix:
result.add(elem) # This will take avg: O(1), worst: O(n)
因此,现在您已经获得了想要的result
。
最后的核心步骤将平均取O(n * (1 * m + 1)) = O(n * m)
和O(n * (m * n + n)) = O(n^2 * (m + 1))
在最坏的情况下,因此,如果m
相比是微不足道的n
那么你有O(n)
平均和O(n ^ 2)
在最坏的情况。
复杂度是根据Python为set
数据结构提供的内容来计算的。 为了进一步优化算法,您可以实现自己tree-based set
并获得O(n * log(n))
复杂度。
我相信以下内容很有可能是最有效的。
from sortedcontainers import SortedSet
def prefixes(l) :
rtn = SortedSet()
for s in l:
rtn.add(s)
i = rtn.index(s)
if (i > 0 and s.startswith(rtn[i-1])):
rtn.remove(s)
else :
j = i+1
while (j < len(rtn) and rtn[j].startswith(s)):
j+=1
remove = rtn[i+1:j]
for r in remove:
rtn.remove(r)
return list(rtn)
我认为最重要的情况是输入文件可能很长,而输出文件要小得多。 该解决方案避免了将整个输入文件保存在内存中。 如果对输入文件进行了排序,则它保存的rtn参数永远不会比最终返回的文件长。 此外,它演示了“保持对迄今为止已看到的数据有效的解决方案,并将该解决方案扩展到对每个新数据有效的模式”的模式。 这是一个熟悉的不错的模式。
使用reduce函数的解决方案:
def r(a, b):
if type(a) is list:
if len([z for z in a if b.startswith(z)]) == 0:
a.append(b)
return a
if a.startswith(b):
return b
if b.startswith(a):
return a
return [a, b]
print reduce(r, l)
可能可以进一步优化[z for z in a if b.startswith(z)]
。
您可以尝试这种简短的解决方案。
import re
l = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
newl=[]
newl.append(l[0])
con=re.escape(l[0])
for i in l[1:]:
pattern=r"^(?!(?:"+con+r")).*$"
if re.match(pattern,i):
newl.append(i)
con=con+"|"+re.escape(i)
print newl
编辑:用于长列表
import re
l = ['ab', 'xc', 'abb', 'abed', 'sdfdg', 'abfdsdg', 'xccc']
newl=[]
newl.append(l[0])
con=re.escape(l[0])
for i in l[1:]:
for x in re.split("\|",con):
pattern=r"^(?="+x+r").*$"
if re.match(pattern,i):
break
else:
newl.append(i)
con=con+"|"+re.escape(i)
print newl
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.