[英]Removing duplicates from a list of lists
我有一个 Python 列表列表:
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
我想从中删除重复的元素。 如果它不是我可以使用的列表的普通列表set
。 但不幸的是,该列表不可散列并且无法制作列表集。 只有元组。 所以我可以将所有列表转换为元组,然后使用 set 并返回到列表。 但这并不快。
如何以最有效的方式做到这一点?
上面列表的结果应该是:
k = [[5, 6, 2], [1, 2], [3], [4]]
我不在乎维持秩序。
注意: 这个问题很相似,但不是我需要的。 搜索了 SO,但没有找到完全重复的内容。
基准测试:
import itertools, time
class Timer(object):
def __init__(self, name=None):
self.name = name
def __enter__(self):
self.tstart = time.time()
def __exit__(self, type, value, traceback):
if self.name:
print '[%s]' % self.name,
print 'Elapsed: %s' % (time.time() - self.tstart)
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [5, 2], [6], [8], [9]] * 5
N = 100000
print len(k)
with Timer('set'):
for i in xrange(N):
kt = [tuple(i) for i in k]
skt = set(kt)
kk = [list(i) for i in skt]
with Timer('sort'):
for i in xrange(N):
ks = sorted(k)
dedup = [ks[i] for i in xrange(len(ks)) if i == 0 or ks[i] != ks[i-1]]
with Timer('groupby'):
for i in xrange(N):
k = sorted(k)
dedup = list(k for k, _ in itertools.groupby(k))
with Timer('loop in'):
for i in xrange(N):
new_k = []
for elem in k:
if elem not in new_k:
new_k.append(elem)
“循环”(二次方法)对于短列表来说是最快的。 对于长列表,除了 groupby 方法之外,它比所有人都快。 这有意义吗?
对于短列表(代码中的那个),100000 次迭代:
[set] Elapsed: 1.3900001049
[sort] Elapsed: 0.891000032425
[groupby] Elapsed: 0.780999898911
[loop in] Elapsed: 0.578000068665
对于更长的列表(代码中的那个重复了 5 次):
[set] Elapsed: 3.68700003624
[sort] Elapsed: 3.43799996376
[groupby] Elapsed: 1.03099989891
[loop in] Elapsed: 1.85900020599
>>> k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
>>> import itertools
>>> k.sort()
>>> list(k for k,_ in itertools.groupby(k))
[[1, 2], [3], [4], [5, 6, 2]]
itertools
通常为这类问题提供最快和最强大的解决方案,非常值得深入熟悉!-)
编辑:正如我在评论中提到的,正常的优化工作集中在大输入(大 O 方法),因为它更容易提供良好的努力回报。 但有时(主要是对于推动性能限制边界的代码深层内部循环中的“可悲的关键瓶颈”)可能需要更详细地提供概率分布,决定要优化哪些性能度量(可能是上限或第 90 个百分位数比平均值或中位数更重要,具体取决于一个人的应用程序),在开始时执行可能的启发式检查以根据输入数据特征选择不同的算法,等等。
仔细测量“点”性能(特定输入的代码 A 与代码 B)是这个极其昂贵的过程的一部分,标准库模块timeit
在这里有所帮助。 但是,在 shell 提示符下使用它更容易。 例如,这里有一个简短的模块来展示这个问题的一般方法,将它保存为nodup.py
:
import itertools
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
def doset(k, map=map, list=list, set=set, tuple=tuple):
return map(list, set(map(tuple, k)))
def dosort(k, sorted=sorted, xrange=xrange, len=len):
ks = sorted(k)
return [ks[i] for i in xrange(len(ks)) if i == 0 or ks[i] != ks[i-1]]
def dogroupby(k, sorted=sorted, groupby=itertools.groupby, list=list):
ks = sorted(k)
return [i for i, _ in itertools.groupby(ks)]
def donewk(k):
newk = []
for i in k:
if i not in newk:
newk.append(i)
return newk
# sanity check that all functions compute the same result and don't alter k
if __name__ == '__main__':
savek = list(k)
for f in doset, dosort, dogroupby, donewk:
resk = f(k)
assert k == savek
print '%10s %s' % (f.__name__, sorted(resk))
请注意完整性检查(在您执行python nodup.py
时执行)和基本提升技术(为每个函数设置本地的常量全局名称以提高速度)以使事情处于平等地位。
现在我们可以对小示例列表进行检查:
$ python -mtimeit -s'import nodup' 'nodup.doset(nodup.k)'
100000 loops, best of 3: 11.7 usec per loop
$ python -mtimeit -s'import nodup' 'nodup.dosort(nodup.k)'
100000 loops, best of 3: 9.68 usec per loop
$ python -mtimeit -s'import nodup' 'nodup.dogroupby(nodup.k)'
100000 loops, best of 3: 8.74 usec per loop
$ python -mtimeit -s'import nodup' 'nodup.donewk(nodup.k)'
100000 loops, best of 3: 4.44 usec per loop
确认二次方法具有足够小的常数,使其对具有很少重复值的小列表具有吸引力。 有一个没有重复的简短列表:
$ python -mtimeit -s'import nodup' 'nodup.donewk([[i] for i in range(12)])'
10000 loops, best of 3: 25.4 usec per loop
$ python -mtimeit -s'import nodup' 'nodup.dogroupby([[i] for i in range(12)])'
10000 loops, best of 3: 23.7 usec per loop
$ python -mtimeit -s'import nodup' 'nodup.doset([[i] for i in range(12)])'
10000 loops, best of 3: 31.3 usec per loop
$ python -mtimeit -s'import nodup' 'nodup.dosort([[i] for i in range(12)])'
10000 loops, best of 3: 25 usec per loop
二次方法还不错,但 sort 和 groupby 方法更好。 等等等等。
如果(正如对性能的痴迷所暗示的那样)此操作位于突破边界应用程序的核心内部循环中,则值得尝试对其他代表性输入样本进行相同的测试集,可能会检测到一些简单的度量,可以启发式地让您选择一种或另一种方法(但措施必须很快,当然)。
还值得考虑为k
保留不同的表示形式——为什么它必须是列表的列表而不是一组元组? 例如,如果重复删除任务很频繁,并且分析表明它是程序的性能瓶颈,那么始终保留一组元组并仅在需要时从其中获取列表列表,总体上可能会更快。
手动执行,创建一个新的k
列表并添加迄今为止未找到的条目:
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
new_k = []
for elem in k:
if elem not in new_k:
new_k.append(elem)
k = new_k
print k
# prints [[1, 2], [4], [5, 6, 2], [3]]
易于理解,并且您保留每个元素第一次出现的顺序应该有用,但我猜它的复杂性是二次的,因为您正在为每个元素搜索整个new_k
。
>>> k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
>>> k = sorted(k)
>>> k
[[1, 2], [1, 2], [3], [4], [4], [5, 6, 2]]
>>> dedup = [k[i] for i in range(len(k)) if i == 0 or k[i] != k[i-1]]
>>> dedup
[[1, 2], [3], [4], [5, 6, 2]]
我不知道它是否一定会更快,但您不必使用元组和集合。
元组列表和 {} 可用于删除重复项
>>> [list(tupl) for tupl in {tuple(item) for item in k }]
[[1, 2], [5, 6, 2], [3], [4]]
>>>
甚至您的“长”列表也很短。 另外,您是否选择它们以匹配实际数据? 性能会因这些数据的实际外观而异。 例如,您有一个简短的列表一遍又一遍地重复以形成一个更长的列表。 这意味着二次解在您的基准测试中是线性的,但实际上并非如此。
对于实际较大的列表,设置代码是您最好的选择——它是线性的(尽管空间很紧)。 sort 和 groupby 方法是 O(n log n) 并且方法中的循环显然是二次的,所以你知道当 n 变得非常大时这些将如何缩放。 如果这是您正在分析的数据的真实大小,那么谁在乎呢? 它很小。
顺便说一句,如果我不形成中间列表来制作集合,我会看到明显的加速,也就是说,如果我替换
kt = [tuple(i) for i in k]
skt = set(kt)
和
skt = set(tuple(i) for i in k)
真正的解决方案可能取决于更多信息:您确定列表列表真的是您需要的表示吗?
到目前为止,该问题的所有与set
相关的解决方案都需要在迭代之前创建一个完整的set
。
可以通过迭代列表列表并添加到“已见” set
来使其变得懒惰,同时保持顺序。 如果在这个跟踪器set
没有找到它,那么只产生一个列表。
这个unique_everseen
配方可在itertools
文档中找到。 它也可以在 3rd 方toolz
库中使用:
from toolz import unique
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
# lazy iterator
res = map(list, unique(map(tuple, k)))
print(list(res))
[[1, 2], [4], [5, 6, 2], [3]]
请注意, tuple
转换是必要的,因为列表不可散列。
a_list = [
[1,2],
[1,2],
[2,3],
[3,4]
]
print (list(map(list,set(map(tuple,a_list)))))
输出: [[1, 2], [3, 4], [2, 3]]
创建一个以元组为键的字典,并打印键。
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
dict_tuple = {tuple(item): index for index, item in enumerate(k)}
print [list(itm) for itm in dict_tuple.keys()]
# prints [[1, 2], [5, 6, 2], [3], [4]]
这应该有效。
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
k_cleaned = []
for ele in k:
if set(ele) not in [set(x) for x in k_cleaned]:
k_cleaned.append(ele)
print(k_cleaned)
# output: [[1, 2], [4], [5, 6, 2], [3]]
奇怪的是,上面的答案删除了“重复项”,但是如果我也想删除重复的值怎么办? 以下应该是有用的并且不会在内存中创建新对象!
def dictRemoveDuplicates(self):
a=[[1,'somevalue1'],[1,'somevalue2'],[2,'somevalue1'],[3,'somevalue4'],[5,'somevalue5'],[5,'somevalue1'],[5,'somevalue1'],[5,'somevalue8'],[6,'somevalue9'],[6,'somevalue0'],[6,'somevalue1'],[7,'somevalue7']]
print(a)
temp = 0
position = -1
for pageNo, item in a:
position+=1
if pageNo != temp:
temp = pageNo
continue
else:
a[position] = 0
a[position - 1] = 0
a = [x for x in a if x != 0]
print(a)
并且o / p是:
[[1, 'somevalue1'], [1, 'somevalue2'], [2, 'somevalue1'], [3, 'somevalue4'], [5, 'somevalue5'], [5, 'somevalue1'], [5, 'somevalue1'], [5, 'somevalue8'], [6, 'somevalue9'], [6, 'somevalue0'], [6, 'somevalue1'], [7, 'somevalue7']]
[[2, 'somevalue1'], [3, 'somevalue4'], [7, 'somevalue7']]
有点背景,我刚开始使用 python 并学习了理解。
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
dedup = [elem.split('.') for elem in set(['.'.join(str(int_elem) for int_elem in _list) for _list in k])]
最简单的解决方案是将列表列表转换为元组列表,然后应用dict.fromkeys()
方法,然后将其转换回列表。
例如:
你有k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
转换为元组k = list(map(tuple, k))
这会给你[(1, 2), (4,), (5, 6, 2), (1, 2), (3,), (4,)]
然后执行以下操作: unique = list(dict.fromkeys(k))
你将有[(1, 2), (4,), (5, 6, 2), (3,)]
就这样。
如果抱怨不是“不快”本身,而是您提出的解决方案的“不够简洁”部分,那么在 Python 3.5+ 中,借助解包运算符和简洁的元组表示法,您可以使链式数据结构转换非常简短(授予,这仍然是 O(n^2),但仍然解包比直接转换稍快):
输入:
k = [[1, 2], [4], [5, 6, 2], [1, 2], [3], [4]]
k = [*map(list, {*map(tuple, k)})]
# If you prefer comprehensions to map()
# k = [[*t] for t in {(*l,) for l in k}]
# Order-preserving alternative:
# k = [*map(list, dict.fromkeys(map(tuple, k)))]
print(k)
输出:
[[1, 2], [4], [5, 6, 2], [3]]
另一个可能更通用和更简单的解决方案是创建一个以对象的字符串版本为键的字典,并在最后获取 values():
>>> dict([(unicode(a),a) for a in [["A", "A"], ["A", "A"], ["A", "B"]]]).values()
[['A', 'B'], ['A', 'A']]
问题是这只适用于字符串表示是一个足够好的唯一键的对象(对于大多数本机对象都是如此)。
k=[[1, 2], [4], [5, 6, 2], [1, 2], [3], [5, 2], [3], [8], [9]]
kl=[]
kl.extend(x for x in k if x not in kl)
k=list(kl)
print(k)
打印,
[[1, 2], [4], [5, 6, 2], [3], [5, 2], [8], [9]]
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.