Question

让我们假设我有一个非常大的数据集，无法容纳到内存中，数据集中有数百万条记录，我想删除重复的行（实际上从重复行中保留一行）

在空间和时间复杂性方面，最有效的方法是什么？

我的想法：

1.使用布隆过滤器，我不确定它是如何实现的，但我猜副作用是假阳性，在这种情况下，我们怎么能找到它是否真的重复？

2.使用哈希值，在这种情况下，如果我们有少量的重复值，唯一哈希值的数量会很大，我们可能再次遇到内存问题，

Answer 1

您的解决方案2：使用哈希值不会强制出现内存问题。您只需将哈希空间划分为适合内存的切片。更确切地说：

考虑存储记录集的哈希表，每个记录仅由表中的索引表示。比如说这样的哈希表将是4GB。然后在k = 4切片中拆分哈希空间。根据散列值的最后两位数，每条记录进入一个切片。所以算法大致如下：

let k = 2^M
for i from 0 to k-1:
    t = new table
    for each record r on the disk:
        h = hashvalue(r)
        if (the M last bit of h == i) {
            insert r into t with respect to hash value h >> M
        }
    search t for duplicate and remove them
    delete t from memory

缺点是您必须将每条记录哈希k次。优点是它可以轻松地分发。

这是Python的原型：

# Fake huge database on the disks
records = ["askdjlsd", "kalsjdld", "alkjdslad", "askdjlsd"]*100

M = 2
mask = 2**(M+1)-1
class HashLink(object):
    def __init__(self, idx):
        self._idx = idx
        self._hash = hash(records[idx]) # file access

    def __hash__(self):
        return self._hash >> M

    # hashlink are equal if they link to equal objects
    def __eq__(self, other):
        return records[self._idx] == records[other._idx] # file access

    def __repr__(self):
        return str(records[self._idx])

to_be_deleted = list()
for i in range(2**M):
    t = set()
    for idx, rec in enumerate(records):
        h = hash(rec)
        if (h & mask == i):
            if HashLink(idx) in t:
                to_be_deleted.append(idx)
            else:
                t.add(HashLink(idx))

结果是：

>>> [records[idx] for idx in range(len(records)) if idx not in to_be_deleted]
['askdjlsd', 'kalsjdld', 'alkjdslad']

Answer 2

由于您需要删除重复项目而不进行排序或索引，因此您可能最终会为每次删除扫描整个数据集，这在性能方面难以承受。鉴于此，您可能会想到一些外部排序或数据库。如果您不关心输出数据集的排序。根据记录或记录键的哈希值创建“n”个文件，这些文件存储输入数据集的子集。获取哈希并以'n'取模，并获取正确的输出文件来存储内容。由于现在每个输出文件的大小都很小，因此删除操作会非常快;对于输出文件，您可以使用普通文件或sqlite / berkeley db。我会推荐sqlite / bdb。为了避免扫描每个写入输出文件，您可以为每个输出文件都有一个前端布隆过滤器。布隆过滤器并不困难。有很多图书馆可供选择。我会说，计算'n'取决于你的主存。对'n'表示悲观，巨大的价值。完成工作后，将所有输出文件连接成一个。

从大型数据集中删除重复的行

2 个答案: