Question

我在为我的工作而写的一个程序中遇到了一堵砖墙。你不需要具体了解上下文，但长话短说，我有两个大约约650k记录的集合。

我们假设集合A是我认识的正确的集合，而集合B是我认识的不正确。

集合B包含一个复杂的对象，它具有与集合A中的元素相同类型的属性（换句话说，它看起来有点像这样）：

// Where T : IComparable
IEnumerable<DateTime> A = ...; // Collection of T elements
IEnumerable<Complex> B = ...; // Collection of complex elements.
class Complex<DateTime>
{
   public DateTime Time { get; set; }
   .....
}

我的问题是我基本上需要依次枚举A并查看A的当前元素是否存在于B中的Complex对象中;如果它不存在，那么我需要创建一个Complex对象，它将封装该元素（以及其他内容）。

当我意识到这两个列表长度为650,000个元素时，问题就出现了。我无法减少数据集;我必须使用这些650,000。现在我使用了ICollection.Contains()，我尝试了（天真）二进制搜索的实现，但它只需要太长时间。

你有什么建议吗？

编辑：如果有帮助，T实现IComparable。编辑2：更多背景：使用Linq To Objects从DataTable中检索IEnumerable。

        IEnumerable<Complex> set = set.Tbl
            .Where(dbObject => dbObject.TS.CompareTo(default(DateTime)) != 0)
            .Select(Func<DataRow,Complex>) // Function that wraps the DataRow in a Complex object
            // Just done to make debugging a little easier so we still have a large sample but small enough that it doesn't make me grow a beard
            .Take(100000) 
            .AsEnumerable<Complex>();

为了完整性以防这个问题被存档而其他任何人需要解决这个问题，我当前的实现看起来有点像这样

        BDataSet bSet = new BDataSet();
        B_LUTableAdapter adap = new B_LUTableAdapter();
        adap.Fill(bSet.B_LU);
        IEnumerable<Complex> w3 = bSet.B
            .Where(dbObject => dbObject.TS.CompareTo(default(DateTime)) != 0)
            // Function that just wraps datarow into a complex object
            .Select(Func<DataRow, Complex>)
            // Just for sake of debugging speed
            .Take(100000)
            .AsEnumerable<Complex>();

        List<Complex> b = bSet.OrderBy(x => x.Time).ToList<Complex>();
        // Get last & first timestamps
        // Some of the timestamps in b are 01/01/1011 for some reason,
        // So we do this check.
        Complex start = b.Where(x => x.Time != default(DateTime)).First();
        Complex end = b.Last();

        List<DateTime> a = new List<DateTime>();
        // RoundSeconds reduces seconds in a DateTime to 0.
        DateTime current = RoundSeconds(new DateTime(start.Time.Ticks));

        while (current.CompareTo(RoundSeconds(end.Time)) <= 0)
        {
            a.Add(current);
            current = current.Add(TimeSpan.FromMinutes(1));
        }

        IEnumerable<DateTime> times = b.Select(x => x.Time);
        var missing = a.Where(dt => times.Contains(dt));
        foreach (var dt in missing)
        {
            adap.Insert(dt, 0, "", "", "", null, 0, 0);
            // This has since been changed to List.Add()
        }

感谢Cosmin这个问题现在已经解决，完成的实现是这样的：列出预期=新列表（）; DateTime current = RoundSeconds（new DateTime（start.Time.Ticks））;

        while (current.CompareTo(RoundSeconds(end.Time)) <= 0)
        {
            expected.Add(current);
            current = current.Add(TimeSpan.FromMinutes(1));
        }

        Console.WriteLine("Expecting {0} intervals.", expected.Count);
        var missing = b.FindAllMissing(expected, x => x.Time);
        if(!missing.Any()) return;
        Console.WriteLine("{0} missing intervals.", missing.Count());
        foreach (var dt in missing)
        {
            b.Add(new Complex() { /* some values */ });
            //Console.WriteLine("\t> Inserted new record at {0}", dt);
        }

        //.....
        public static IEnumerable<Basic> FindAllMissing<Basic, Complex>(this IEnumerable<Complex> complexList,
        IEnumerable<Basic> basicList,
        Func<Complex, Basic> selector)
        {
            HashSet<Basic> inComplexList = new HashSet<Basic>();
            foreach (Complex c in complexList)
                inComplexList.Add(selector(c));
            List<Basic> missing = new List<Basic>();
            foreach (Basic basic in basicList)
                if (!(inComplexList.Contains(basic)))
                    missing.Add(basic);
            return missing;
        }

Answer 1

步骤一步：

使用其中一个O(1)泛型集合创建一个快速搜索的T列表，这些列表已在第二个集合中。我可以建议HashSet<T>
枚举SECOND集合，并从第一步开始将所有T放入集合中。
枚举FIRST集合并检查每个项目是否在步骤1中创建的集合中。由于该操作为O(1)，因此您现在已获得O(n)解决方案。
享受。

这是一个将该算法实现为通用扩展方法的类，以使其对LINQ更加友好。将其作为IEnumerable<T>的参数并返回IEnumerable<T>，不对类型（T和Complex）做出假设。在我的测试中，我使用Tuple<int,int>列表作为复杂类型，使用简单int作为简单类型。控制台应用程序使用600000值填充List<Tuple<int,int>>，然后在使用枚举器的简单List<int>中放入100000个值，以计算List<Tuple<int,int>>中未找到的所有简单值;这是如此之快，你没有机会看到它做它的工作，当你点击F5它只是显示结果。

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace ConsoleApplication2
{

    static class FixProblem
    {
        public static IEnumerable<T> FindAllThatNeedCreating<T, Complex>(this IEnumerable<Complex> list_of_complex, IEnumerable<T> list_of_T, Func<Complex, T> extract)
        {
            HashSet<T> T_in_list_of_complex = new HashSet<T>();
            foreach (Complex c in list_of_complex)
                T_in_list_of_complex.Add(extract(c));
            List<T> answer = new List<T>();
            foreach (T t in list_of_T)
                if (!T_in_list_of_complex.Contains(t))
                    answer.Add(t);
            return answer;
        }
    }

    class Program
    {
        static void Main(string[] args)
        {
            // Test the code
            List<Tuple<int, int>> complex = new List<Tuple<int, int>>();
            List<int> simple = new List<int>();

            // Fill in some random data
            Random rnd = new Random();
            for (int i = 1; i < 600000; i++)
                complex.Add(new Tuple<int, int>(rnd.Next(), rnd.Next()));

            for (int i = 1; i < 100000; i++)
                simple.Add(rnd.Next());

            // This is the magic line of code:
            Console.WriteLine(complex.FindAllThatNeedCreating(simple, x => x.Item1).Count());

            Console.ReadKey();

        }
    }
}

Answer 2

我建议将复杂对象存储在Dictionary中，使用A-type属性作为键。然后，您可以非常快速地查看字典中是否存在A中的任何元素。每个查找操作都是O（1），整体性能应该是O（n）。

或者，您可以在现有的IEnumerable上调用.ToLookup（），并在lambda表达式中创建键和值。返回的ILookup应该完全满足您的需求（即从A中查找值）。这里的另一个好处是，如果你有多个包含A的复杂对象，当你使用Lookup时，你会得到它们的集合。

Answer 3

更新：首先，停止使用数据集。我建议你使用Linq to SQL或Entity Framework。

试试这个：

        var lookup = B.ToLookup(c => c.MyComplex);

        var noMatch = from a in A
                      where !lookup.Contains(a)
                      select a;

应该更快，但要衡量。

然后尝试

        var lookup = B.AsParallel().ToLookup(c => c.MyComplex);

        var noMatch = from a in A.AsParallel()
                      where !lookup.Contains(a)
                      select a;

再次测量。

显然，请确保A中对象的类型覆盖GetHashCode()和Equals(object)并且有效。特别是GetHashCode()应该很有可能不同的对象具有不同的哈希码，并且仍然很快。

更新：由于我们现在知道A中对象的类型是DateTime，因此GetHashCode()和Equals(object)的要求是正常的。

代码变为

        var lookup = B.ToLookup(c => c.Time);

        var noMatch = from a in A
                      where !lookup.Contains(a)
                      select a;

Answer 4

如果我理解了您的要求，那么我认为这段代码运作良好。我已将它提升到650万条记录，并在11秒内完成。将其减少到650k记录只需不到一秒钟。

var rnd = new Random();

var xs = Enumerable
    .Range(0, 650000)
    .Select(x => new Complex<int>()
    {
        MyComplex = rnd.Next(0, 100001)
    })
    .ToList();

var ys = Enumerable
    .Range(0, 650000)
    .Select(x => rnd.Next(0, 100001))
    .ToArray();

var xsLookup = xs.ToLookup(x => x.MyComplex);

var newYs = ys.Where(y => !xsLookup[y].Any()).ToArray();

newYs
    .ToList()
    .ForEach(y =>
    {
        xs.Add(new Complex<int>()
        {
            MyComplex = y
        });
    });

Answer 5

如果列表都是按相同的键排序，则可以同时循环访问这两个列表。这样做我能够将时间缩短到低于contains或except的时间，甚至低于我看到的toLookup时间。

var A = SimpleCollection; // source of truth
var B = GetComplexOnDemand().ToArray();
var missing = new List<Complex<DateTime>>();
int cpxIx = 0;
int simpleIx = 0;
while (simpleIx < A.Count)
{
    if (cpxIx >= B.Length)
    {
        missing.Add(new Complex<DateTime>() {InnerValue = A[simpleIx]});
        simpleIx++;
        continue;
    }

    if (A[simpleIx] != B[cpxIx].InnerValue)
    {
        missing.Add(new Complex<DateTime>() {InnerValue = A[simpleIx]});
        simpleIx++;
        continue;
    }

    cpxIx++;
    simpleIx++;
}

要生成测试数据，我执行了以下操作：

private static readonly List<DateTime> SimpleCollection = 
    Enumerable.Range(1, SimpleSize).Select(t => new DateTime(DateTime.Now.Ticks + t)).ToList();
public static IEnumerable<Complex<DateTime>> GetComplexOnDemand()
{
    for (int i = 1; i <= ComplexSize; i+=2)
    {
        yield return new Complex<DateTime>() { InnerValue = SimpleCollection[i] };
    }
}

我需要将两个非常大的集合与可能缺少的元素进行比较

5 个答案: