Question

我在列表中有一系列数据点（元组），格式如下：

points = [(1, 'a'), (2, 'b'), (2, 'a'), (3, 'd'), (4, 'c')]

每个元组中的第一项是一个整数，它们可以保证排序。每个元组中的第二个值是一个任意字符串。

我需要按照系列中的第一个值将它们分组到列表中。因此，如果间隔为3，则上面的列表将被分解为：

[['a', 'b', 'a', 'd'], ['c']]

我编写了以下函数，它可以在小数据集上正常工作。但是，它对于大量投入是有利的。有关如何重写/优化/缩小这一点的任何提示，以便我可以处理大型数据集吗？

def split_series(points, interval):
    series = []

    start = points[0][0]
    finish = points[-1][0]

    marker = start
    next = start + interval
    while marker <= finish:
        series.append([point[1] for point in points if marker <= point[0] < next])
        marker = next
        next += interval

    return series

Answer 1

一种方法（没有速度承诺）：

将元组列表分成两个列表： [1,2,2,3,4]和['a','b','a','d','c']

由于第一个列表已排序，您可以继续迭代它，直到您到达范围之外的元素。然后，您知道开始和结束元素的索引，这样您就可以将字符串从第二个数组中分割出来。继续，直到你有所有的间隔。

我不确定传统Python列表的效率如何，但如果你的数据集足够大，你可以尝试使用NumPy数组，它会很快切片。

Answer 2

您的代码是O（n ²）。这是一个O（n）解决方案：

def split_series(points, interval):
    series = []
    current_group = []
    marker = points[0][0]
    for value, data in points:
        if value >= marker + interval:
            series.append(current_group)
            current_group = []
            marker += interval
        current_group.append(data)

    if current_group:
        series.append(current_group)

    return series

points = [(1, 'a'), (2, 'b'), (2, 'a'), (3, 'd'), (4, 'c')]
print split_series(points, 3)  # Prints [['a', 'b', 'a', 'd'], ['c']]

Answer 3

为了完整性，这是一个itertools.groupby的解决方案，但字典解决方案可能会更快（更不用说更容易阅读）。

import itertools
import operator

def split_series(points, interval):
    start = points[0][0]

    return [[v for k, v in grouper] for group, grouper in
            itertools.groupby((((n - start) // interval, val)
                               for n, val in points), operator.itemgetter(0))]

请注意，上述假设您在每个组中至少有一个项目，否则它会给您的脚本带来不同的结果，即：

>>> split_series([(1, 'a'), (2, 'b'), (6, 'a'), (6, 'd'), (11, 'c')], 3)
[['a', 'b'], ['a', 'd'], ['c']]

而不是

[['a', 'b'], ['a', 'd'], [], ['c']]

这是一个固定的字典解决方案。在某些时候，字典查找时间将开始占主导地位，但也许它对你来说足够快。

from collections import defaultdict

def split_series(points, interval):
    offset = points[0][0]
    maxval = (points[-1][0] - offset) // interval
    vals = defaultdict(list)
    for key, value in points:
        vals[(key - offset) // interval].append(value)
    return [vals[i] for i in xrange(maxval + 1)]

Answer 4

从您的代码中，我假设我之前的评论是正确的。这里的问题似乎是性能为O（n ^ 2） - 你重复列表理解（迭代所有项目）多次。

我说，使用一个简单的for循环。如果当前项目与前一项目属于同一组，请将其添加到现有内部列表[[“a”]，[“b”]] - ＆gt; [[“a”]，[“b”，“c”]]。如果没有，请将其添加到新的内部列表，可能首先添加空填充列表。

Answer 5

扩展Am的答案，使用defaultdict，并按键区间键除以正确分解它们。

from collections import defaultdict
def split_series(points, interval):
    vals = defaultdict(list)
    for key, value in points:
        vals[(key-1)//interval].append(value)
    return vals.values()

Answer 6

这是一种使用xrange步骤行为的惰性方法：

def split_series(points, interval):
    end_of_chunk = interval
    chunk = []
    for marker, item in points:
        if marker > end_of_chunk:
            for end_of_chunk in xrange(end_of_chunk, marker, interval):
                yield chunk
                chunk = []
            end_of_chunk += interval
        chunk.append(item)
    yield chunk

Answer 7

如何使用迭代器进行延迟评估？

这应该等同于您的初始解决方案：

from itertools import groupby

def split_series(points, interval):
    """
    >>> points = [(1, 'a'), (2, 'b'), (2, 'a'), (3, 'd'), (4, 'c')]
    >>> print list(split_series(points, 3))
    [['a', 'b', 'a', 'd'], ['c']]
    """

    def interval_key(t):
        return (t[0] - points[0][0]) // interval

    groups = groupby(points, interval_key)

    for group in groups:
        yield [v for _, v in group[1]]

将数据点分组

7 个答案: