遍歷python中的字典列表

Question

我有以下格式的python詞典列表：

[{'item_value': 0.1, 'date': datetime.datetime(2017, ...), 'item_index': 1.0}, 
{'item_value': 0.22, 'date': datetime.datetime(2016, ...), 'item_index': 0.1}, 
{'item_value': 0.21, 'date': datetime.datetime(2016, ...), 'item_index': 1.0}
 ,..., 
{'item_value': 1.03, 'date': datetime.datetime(2016, ...), 'item_index': 1.0}]

可變item_index的取值為： [0.0, 0.1, 0.2, ..., 1.0] 0.0，0.1，0.2 [0.0, 0.1, 0.2, ..., 1.0]而可變item_value的取值在[-1，1]之間。 我想構造一個numpy向量，該向量包含使用日期的所有可能的item_index和最近的item_value （通過刪除具有相同item_value的重復項並保留最新的值）。

我正在使用建議的解決方案：

np.array([d["item_value"] for d in sorted(my_list, key=lambda x: x["date"]))}

在本示例中，我創建了一個numpy向量，其中包含與日期[1.03, 0.22, 0.21, 0.1] 1.03，0.22，0.21，0.1]有關的所有item_values排序。 但是，我想返回一個矢量，如下例所示：

[0, 0.22, 0, 0, 0, 0, 0, 0, 0, 0.1]

向量的每個位置代表item_index的11個可能值，並具有item_value的最新值作為值。 我該怎么辦？

編輯

一個示例可以是：

[{'item_value': 0.0, 'date': datetime.datetime(2017, 10, 11, 13, 39, 36, 979000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2017, 10, 11, 13, 40, 2, 368000), 'item_index': 1.0}
{'item_value': -1.0, 'date': datetime.datetime(2017, 10, 23, 9, 35, 20, 741000), 'item_index': 1.0}
{'item_value': -1.0, 'date': datetime.datetime(2017, 10, 23, 9, 35, 41, 915000), 'item_index': 0.8}
{'item_value': 0.0, 'date': datetime.datetime(2017, 10, 23, 9, 36, 2, 763000), 'item_index': 0.5}
{'item_value': 0.0, 'date': datetime.datetime(2017, 10, 23, 11, 40, 22, 427000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2017, 11, 14, 7, 33, 9, 131000), 'item_index': 1.0}
{'item_value': 0.51, 'date': datetime.datetime(2017, 11, 15, 12, 50, 25, 14000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2018, 1, 19, 14, 15, 46, 761000), 'item_index': 1.0}
{'item_value': -0.49, 'date': datetime.datetime(2018, 1, 19, 14, 16, 30, 207000), 'item_index': 1.0}
{'item_value': -0.009000000000000005, 'timestamp': datetime.datetime(2018, 1, 19, 16, 32, 30, 631000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2018, 1, 19, 16, 33, 19, 509000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2018, 1, 19, 16, 44, 59, 483000), 'item_index': 1.0}
{'item_value': -0.33299999999999996, 'date': datetime.datetime(2018, 1, 19, 18, 13, 17, 67000), 'item_index': 1.0}
{'item_value': 1.0, 'date': datetime.datetime(2018, 1, 19, 18, 13, 48, 443000), 'item_index': 1.0}
{'item_value': -0.33299999999999996, 'date': datetime.datetime(2018, 1, 19, 18, 14, 22, 871000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2018, 1, 28, 11, 45, 48, 223000), 'item_index': 1.0}
{'item_value': 0.005000000000000003, 'timestamp': datetime.datetime(2018, 1, 28, 11, 46, 7, 481000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2018, 1, 28, 11, 46, 27, 845000), 'item_index': 1.0}
{'item_value': 0.0, 'date': datetime.datetime(2018, 1, 28, 11, 46, 50, 386000), 'item_index': 1.0}]

Answer 1

單行代碼可能如下：

indexes = [0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0]

my_filtered_lists = [sorted([d for d in my_list if d['item_index'] == i], 
                            key=lambda x: x["date"])
                        for i in indexes ]

result = [l[-1]['item_value'] if len(l)>0 else 0  for l in my_filtered_lists]

對於每個索引，您都將過濾列表，並根據需要對每個過濾后的列表進行排序，並獲取最后一個元素的item_value 。 如果數據集足夠大，則可能需要一點內存，因為您要為每個item_idex創建一個額外的列表。

經過測試：

 my_list = [
{'item_value': 0.1, 'date': datetime.datetime(2017, 05, 01), 'item_index': 1.0}, 
{'item_value': 0.22, 'date': datetime.datetime(2016,05,01), 'item_index': 0.1}, 
{'item_value': 0.21, 'date': datetime.datetime(2017, 05, 01), 'item_index': 0.1},
{'item_value': 1.03, 'date': datetime.datetime(2016,05,01), 'item_index': 1.0}]

它返回： [0, 0.21, 0, 0, 0, 0, 0, 0, 0, 0, 0.1] 0，0.21，0，0，0，0，0，0，0，0，0.1 [0, 0.21, 0, 0, 0, 0, 0, 0, 0, 0, 0.1]我所知是預期的輸出。

Answer 2

一種解決方案是創建一個中間dict key -> value僅保留最新值：

d = dict()
for value in sorted(my_list, key=lambda x: x["date"]):
   d[value['item_index']] = d[value['item_value']]

另一個解決方案是使用last()函數將列表轉換為pandas DataFrame ，按日期排序，按item_index分組，以僅保留數據幀的最新記錄。