Python 如何高效地找到两个列表中匹配元素的索引
我正在研究两个大型数据集,我的问题如下 假设我有两个列表:Python 如何高效地找到两个列表中匹配元素的索引,python,algorithm,matching,Python,Algorithm,Matching,我正在研究两个大型数据集,我的问题如下 假设我有两个列表: list1=[A,B,C,D] list2=[B,D,A,G] 除了O(n2)搜索之外,如何使用Python高效地查找匹配索引?结果应该如下所示: 匹配索引(列表1,列表2)->[(0,2)、(1,0)、(3,1)]无重复项 如果对象是可散列的,并且列表没有重复项,则可以创建第一个列表的反向索引,然后遍历第二个列表。这只遍历每个列表一次,因此是O(n) 复制品 您可以扩展上一个解决方案以考虑重复项。您可以使用集跟踪多个索引 def fi
list1=[A,B,C,D]
list2=[B,D,A,G]
除了O(n2)搜索之外,如何使用Python高效地查找匹配索引?结果应该如下所示:
匹配索引(列表1,列表2)->[(0,2)、(1,0)、(3,1)]
无重复项
如果对象是可散列的,并且列表没有重复项,则可以创建第一个列表的反向索引,然后遍历第二个列表。这只遍历每个列表一次,因此是O(n)
复制品
您可以扩展上一个解决方案以考虑重复项。您可以使用集
跟踪多个索引
def find_matching_index(list1, list2):
# Create an inverse index which keys are now sets
inverse_index = {}
for index, element in enumerate(list1):
if element not in inverse_index:
inverse_index[element] = {index}
else:
inverse_index[element].add(index)
# Traverse the second list
matching_index = []
for index, element in enumerate(list2):
# We have to create one pair by element in the set of the inverse index
if element in inverse_index:
matching_index.extend([(x, index) for x in inverse_index[element]])
return matching_index
find_matching_index([1, 1, 2], [2, 2, 1]) # [(2, 0), (2, 1), (0, 2), (1, 2)]
不幸的是,这不再是O(n)。考虑输入“代码> > [ 1, 1 ] < /代码>和<代码> [ 1, 1 ] < /代码>的情况,输出为<代码> [(0, 0),(0, 1),(1, 0),(1, 1)] < /代码>。因此,根据输出的大小,最坏的情况不可能比O(n^2)
更好
尽管如此,如果没有重复项,此解决方案仍然是O(n)
非散列对象
现在出现了这样的情况:对象不是可散列的,而是可比较的。这里的想法是以保留每个元素的原始索引的方式对列表进行排序。然后我们可以对相等的元素序列进行分组,以获得匹配索引
由于我们在下面的代码中大量使用了groupby
和product
,因此我让find\u matching\u index
返回一个生成器,以提高长列表的内存效率
from itertools import groupby, product
def find_matching_index(list1, list2):
sorted_list1 = sorted((element, index) for index, element in enumerate(list1))
sorted_list2 = sorted((element, index) for index, element in enumerate(list2))
list1_groups = groupby(sorted_list1, key=lambda pair: pair[0])
list2_groups = groupby(sorted_list2, key=lambda pair: pair[0])
for element1, group1 in list1_groups:
try:
element2, group2 = next(list2_groups)
while element1 > element2:
(element2, _), group2 = next(list2_groups)
except StopIteration:
break
if element2 > element1:
continue
indices_product = product((i for _, i in group1), (i for _, i in group2), repeat=1)
yield from indices_product
# In version prior to 3.3, the above line must be
# for x in indices_product:
# yield x
list1 = [[], [1, 2], []]
list2 = [[1, 2], []]
list(find_matching_index(list1, list2)) # [(0, 1), (2, 1), (1, 0)]
事实证明,时间复杂性不会受到太大影响。排序当然需要
O(n log(n))
,但是groupby
提供的生成器只需遍历列表两次就可以恢复所有元素。结论是,我们的复杂性主要受产品
输出的大小限制。因此,使用dict
可以减少查找时间和集合。defaultdict
专门化可以帮助簿记。目标是一个dict
,它的值是您要查找的索引对。重复的值将覆盖列表中较早的值
import collections
# make a test list
list1 = list('ABCDEFGHIJKLMNOP')
list2 = list1[len(list1)//2:] + list1[:len(list1)//2]
# Map list items to positions as in: [list1_index, list2_index]
# by creating a defaultdict that fills in items not in list1,
# then adding list1 items and updating with with list2 items.
list_indexer = collections.defaultdict(lambda: [None, None],
((item, [i, None]) for i, item in enumerate(list1)))
for i, val in enumerate(list2):
list_indexer[val][1] = i
print(list(list_indexer.values()))
如果出于验证任何解决方案之外的其他原因,该问题的一个强力答案如下:
[(xi, xp) for (xi, x) in enumerate(list1) for (xp, y) in enumerate(list2) if x==y]
如何优化这一点在很大程度上取决于数据量和内存容量,因此了解这些列表的大小可能会有所帮助。我想我下面讨论的方法至少适用于具有数百万个值的列表
因为字典访问是O(1),所以尝试将第二个列表中的元素映射到它们的位置似乎是值得的。假设相同的元素可以重复,那么一个collections.defaultdict
将允许我们轻松地构造必要的dict
l2_pos = defaultdict(list)
for (p, k) in enumerate(list2):
l2_pos[k].append(p)
表达式l2_pos[k]
现在是list2
中出现元素k
的位置列表。只需将每个键与列表1中相应键的位置配对即可。列表形式的结果是
[(p1, p2) for (p1, k) in enumerate(list1) for p2 in l2_pos[k]]
但是,如果这些结构很大,那么使用生成器表达式可能会更好。要将名称绑定到上面列表中的表达式,请编写
values = ((p1, p2) for (p1, k) in enumerate(list1) for p2 in l2_pos[k])
如果您随后迭代值
,则可以避免创建包含所有值的列表的开销,从而减少Python内存管理和垃圾收集的负载,而就解决问题而言,这几乎是所有开销
当您开始处理大数据量时,了解生成器可能意味着是否有足够的内存来解决问题。在许多情况下,它们比列表理解有明显的优势
编辑:这种技术可以通过使用集合而不是列表来保持位置来进一步加速,除非顺序的改变是有害的。这个变化留给读者作为练习。 如果你的对象不是可哈希的,但仍然是可排序的,你可能想考虑使用<代码>排序<<代码>来匹配两个列表 假设两个列表中的所有元素都匹配 您可以对列表索引进行排序并将结果配对
indexes1 = sorted(range(len(list1)), key=lambda x: list1[x])
indexes2 = sorted(range(len(list2)), key=lambda x: list2[x])
matches = zip(indexes1, indexes2)
如果不是所有元素都匹配,但每个列表中没有重复项
您可以同时对两者进行排序,并在排序时保留索引。然后,如果您捕捉到任何连续的重复项,您就知道它们来自不同的列表
biglist = list(enumerate(list1)) + list(enumerate(list2))
biglist.sort(key=lambda x: x[1])
matches = [(biglist[i][0], biglist[i + 1][0]) for i in range(len(biglist) - 1) if biglist[i][1] == biglist[i + 1][1]]
下面是一个使用
defaultdict
的简单方法
给定的
import collections as ct
lst1 = list("ABCD")
lst2 = list("BDAG")
lst3 = list("EAB")
str1 = "ABCD"
代码
def find_matching_indices(*iterables, pred=None):
"""Return a list of matched indices across `m` iterables."""
if pred is None:
pred = lambda x: x[0]
# Dict insertion
dd = ct.defaultdict(list)
for lst in iterables: # O(m)
for i, x in enumerate(lst): # O(n)
dd[x].append(i) # O(1)
# Filter + sort
vals = (x for x in dd.values() if len(x) > 1) # O(n)
return sorted(vals, key=pred) # O(n log n)
演示
在两个列表中查找匹配项(每个操作):
按不同的结果索引排序:
find_matching_indices(lst1, lst2, pred=lambda x: x[1])
# [[1, 0], [3, 1], [0, 2]]
匹配两个以上ITerable(可选可变长度)中的项目:
详细信息 词典插入 每个项目都会附加到defaultdict的列表中。结果如下所示,稍后将对其进行过滤:
defaultdict(list, {'A': [0, 2], 'B': [1, 0], 'C': [2], 'D': [3, 1], 'G': [3]})
乍一看,从双for
循环中,我们可能会说时间复杂度是O(n²)。但是,外部循环中的容器列表的长度为m
。内部循环处理长度为n
的每个容器的元素。我不确定最终的复杂度是什么,但基于这个,我怀疑它是O(n*m)或至少低于O(n²)
过滤
过滤掉不匹配项(长度为1的列表),并对结果进行排序(主要针对Python<3.6中的无序dict)
使用算法viasorted
按某个索引对dict值(列表)进行排序,最坏的情况是O(n logn)。由于在Python 3.6+中保留了dict键插入,因此预先排序的项降低了复杂性O(n)
find_matching_indices(lst1, lst2, pred=lambda x: x[1])
# [[1, 0], [3, 1], [0, 2]]
find_matching_indices(lst1, lst2, lst3, str1)
# [[0, 2, 1, 0], [1, 0, 2, 1], [2, 2], [3, 1, 3]]
defaultdict(list, {'A': [0, 2], 'B': [1, 0], 'C': [2], 'D': [3, 1], 'G': [3]})