Question

我正在使用python读取文本文件，格式化每列中的值可能是数字或字符串。

当这些值是字符串时，我需要分配该字符串的唯一ID（在同一列下的所有字符串中都是唯一的;如果相同的字符串出现在同一列的其他位置，则必须分配相同的ID）。

什么是有效的方法呢？

Answer 1

使用defaultdict和默认值factory生成新ID：

ids = collections.defaultdict(itertools.count().next)
ids['a']  # 0
ids['b']  # 1
ids['a']  # 0

当您在defaultdict中查找某个键时，如果它尚未存在，则defaultdict会调用用户提供的默认值factory来获取该值并在返回之前将其存储。

collections.count()创建一个从0开始计数的迭代器，因此collections.count().next是一个绑定方法，只要你调用它就会产生一个新的整数。

结合起来，这些工具产生一个dict，当你查找以前从未查找过的东西时，它会返回一个新的整数。

Answer 2

对于python 3更新了defaultdict answer，其中.next现在为.__next__，对于pylint合规性，不鼓励使用“magic”__*__方法：

ids = collections.defaultdict(functoools.partial(next, itertools.count()))

Answer 3

创建一个集合，然后将字符串添加到集合中。这将确保字符串不重复;然后你可以使用enumerate来获取每个字符串的唯一id。在再次写出文件时使用此ID。

这里我假设第二列是您要扫描文本或整数的列。

seen = set()
with open('somefile.txt') as f:
   reader = csv.reader(f, delimiter=',')
   for row in reader:
      try:
         int(row[1])
      except ValueError:
         seen.add(row[1]) # adds string to set

# print the unique ids for each string

for id,text in enumerate(seen):
    print("{}: {}".format(id, text))

现在您可以采用相同的逻辑，并在文件的每一列中复制它。如果您知道高级列长度，则可以拥有集合列表。假设文件有三列：

unique_strings = [set(), set(), set()]

with open('file.txt') as f:
    reader = csv.reader(f, delimiter=',')
    for row in reader:
       for column,value in enumerate(row):
           try:
               int(value)
           except ValueError:
               # It is not an integer, so it must be
               # a string
               unique_strings[column].add(value)

在Python中为ID分配字符串

3 个答案: