合并共享值和键的python字典

我正在根据字符串编辑距离进行一些实体匹配，结果是一个字典，其中包含键（查询字符串）和基于一些评分标准的值[相似字符串列表]

例如：

results = {
  'ben' : ['benj', 'benjamin', 'benyamin'],
  'benj': ['ben', 'beny', 'benjamin'],
  'benjamin': ['benyamin'],
  'benyamin': ['benjamin'],
  'carl': ['karl'],
  'karl': ['carl'],
}

每个值还有一个对应的字典项，它是该字典项的键（例如“卡尔”和“卡尔”）

我需要组合具有共享值的元素。选择一个值作为新键（比如说最长的字符串）。在上述示例中，我希望得到：

results = {
  'benjamin': ['ben', 'benj', 'benyamin', 'beny', 'benjamin', 'benyamin'],
  'carl': ['carl','karl']
}

---

我尝试过使用键遍历字典，但我不知道如何遍历和比较每个字典项及其值列表（或单个值）

这是一个使用集合.defaultdict和集合的解决方案

所需的输出与您所拥有的非常相似，并且可以轻松地进行调整

from collections import defaultdict

results = {
  'ben' : ['benj', 'benjamin', 'benyamin'],
  'benj': ['ben', 'beny', 'benjamin'],
  'benjamin': 'benyamin',
  'benyamin': 'benjamin',
  'carl': 'karl',
  'karl': 'carl',
}

d = defaultdict(set)

for i, (k, v) in enumerate(results.items()):
    w = {k} | (set(v) if isinstance(v, list) else {v})
    for m, n in d.items():
        if not n.isdisjoint(w):
            d[m].update(w)
            break
    else:
        d[i] = w

result = {max(v, key=len): v for k, v in d.items()}

# {'benjamin': {'ben', 'benj', 'benjamin', 'beny', 'benyamin'},
#  'carl': {'carl', 'karl'}}

@IMCoins在第二个循环中将

v

操作到

w

的想法归功于@IMCoins

解释

主要有3个步骤：

将值转换为一致的集合格式，包括原始字典中的键和值

循环浏览此词典并向新词典添加值。如果与某些关键点相交[即集合不相交]，则使用该关键点。否则，添加到通过枚举确定的新密钥

通过将最大长度键映射到值，在最终转换中创建结果字典

---

编辑：尽管性能不是这里的问题，我还是冒昧地在jpp的答案和我的答案之间进行了一些测试。。。这是完整的脚本。我的脚本在17.79秒内完成测试，他的脚本在23.5秒内完成测试

import timeit

results = {
  'ben' : ['benj', 'benjamin', 'benyamin'],
  'benj': ['ben', 'beny', 'benjamin'],
  'benjamin': ['benyamin'],
  'benyamin': ['benjamin'],
  'carl': ['karl'],
  'karl': ['carl'],
}

def imcoins(result):
    new_dict = {}
    # .items() for python3x
    for k, v in results.iteritems():
        flag = False
        #   Checking if key exists...
        if k not in new_dict.keys():
            #   But then, we also need to check its values.
            for item in v:
                if item in new_dict.keys():
                    #   If we update, set the flag to True, so we don't create a new value.
                    new_dict[item].update(v)
                    flag = True
            if flag == False:
                new_dict[k] = set(v)

    #   Now, to sort our newly created dict...
    sorted_dict = {}
    for k, v in new_dict.iteritems():
        max_string = max(v)
        if len(max_string) > len(k):
            sorted_dict[max(v, key=len)] = set(v)
        else:
            sorted_dict[k] =  v

    return sorted_dict

def jpp(result):
    from collections import defaultdict

    res = {i: {k} | (set(v) if isinstance(v, list) else {v}) \
          for i, (k, v) in enumerate(results.items())}

    d = defaultdict(set)

    for i, (k, v) in enumerate(res.items()):
        for m, n in d.items():
            if n & v:
                d[m].update(v)
                break
        else:
            d[i] = v

    result = {max(v, key=len): v for k, v in d.items()}
    return result

iterations = 1000000
time1 = timeit.timeit(stmt='imcoins(results)', setup='from __main__ import imcoins, results', number=iterations)
time2 = timeit.timeit(stmt='jpp(results)', setup='from __main__ import jpp, results', number=iterations)

print time1 # Outputs : 17.7903265883
print time2 # Outputs : 23.5605850732

如果我将导入从他的函数移到全局范围，它将给出

imcoins:13.4129249463秒

---

jpp:21.8191823393秒

是否仅当值重叠时才合并列表，还是每个值都应查找匹配的键，然后根据这些值合并？编辑：如果我理解你的例子，我会猜测后者。我应该说，每个值也将是一个键，有自己的字典项。稍微不相关，但你不应该混合字符串和列表作为dict的值-即使你只有一个字符串，它也应该包含在列表中。通过避免特殊情况，这将使您的代码更简单、更健壮。您能展示您尝试过的内容吗？评分标准是否对称？如果

相似性（a，b）

是提供评分标准的函数，那么

相似性（a，b）

是否返回与

相似性（b，a）

相同的结果？（1）是否需要在结果值中输入关键字？对（2） 如果两个或多个值具有相同的最大长度，则使用哪个键。除了使用最常见名字的语料库，我不知道你会如何选择其中一个（接受建议或示例）。谢谢。好的，我已经更新了解决方案以满足包含值的键（不完全是“carl”：“karl”所需的输出）。谢谢jpp，我已经在我的实际数据上运行了这个解决方案，它可以工作。为了我和其他人的利益，请您添加一些基本的代码注释。@BenP我相信您可能希望将他的答案和我的答案结合起来。我认为他的答案是，用

set（）

计算一个新的dict会浪费不必要的时间，而你只需通过

d[i]=v

改变

d[i]=set（v）

@IMCoins就可以在第二个循环中完成，我现在明白了——包括你的改进。我还使用了

isdisjoint

而不是

intersection

，因为这应该表现得更好。