Question

我有两个非常长的文本文件（数千个电子邮件地址，每行一个），我正在寻找一种比较两个文件的方法，并且输出包含在第一个文件和第一个文件中的地址第二个文件，但不是两个文件（在集合论中类似于AUB /（A⋂B））。如果我可以使用包含字符串的列表作为输入，这将是非常容易的，就像这样

input1=['address1','address2',...,'addressn']

但由于我的文本文件很长并且在不同的行上，我应该手动将每个地址放在''中。所以我尝试使用一个字符串，其中所有地址都以空格分隔为输入，然后将其转换为字符串列表。这就是我的结果：

import numpy as np
from StringIO import StringIO

def conv(data):
    array1=np.genfromtxt(StringIO(data),dtype="|S50")
    lista1=[]
    for el in array1:
        lista1.append(el)
    return lista1

input1='address1 address2 ... addressn'

这就是我调用函数时得到的结果

>conv(input1)
>['address1', 'address2', 'addressn']

它有效，但我有一个问题：输入需要水平，所以我无法从文本文件中复制我的地址并将它们粘贴到字符串中，因为我会得到像

input1="Davide
...:Michele
...:Giorgio
...:Paolo"

File "<ipython-input-4-6d70053fb94e>", line 1
  input1="Davide
             ^
SyntaxError: EOL while scanning string literal

我该如何处理这个问题？任何改进代码的建议都会非常赞赏。我对StringIO模块几乎一无所知，我今天第一次遇到它，我相信它可以编写一个比我更高效的程序。顺便说一句，这是整个程序：

def scan(data1,data2): #Strings
    array1=np.genfromtxt(StringIO(data1),dtype="|S50")
    array2=np.genfromtxt(StringIO(data2),dtype="|S50")
    lista1=[]
    lista2=[]
    for el in array1:
        lista1.append(el)
    for el in array2:
        lista2.append(el) #lista1 and lista2 are lists containing strings
    num1,num2=len(lista1),len(lista2)
    shared=[]
    for el in lista1:
        if el in lista2:
            shared.append(el) #shared is the intersection of lista1 and lista2
    if len(shared)==0:
        print 'No shared elements'
        return lista1+lista2
    else:
        for el in shared:
            n1=lista1.count(el)
            for i in range(n1):
                lista1.remove(el) #Removes from lista1 the elements shared with lista2
            n2=lista2.count(el)   #as many times as they appear
            for j in range(n2):
                lista2.remove(el) #Removes from lista2 the elements shared with lista1
    result=lista1+lista2          #as many times as they appear
    print 'Addresses list 1:',num1
    print 'Addresses list 2:',num2
    print 'Useful Addresses:',len(list(set(result)))
    return (list(set(result)))

这是一个如何运作的例子：

data1="Davide John Kate Mary Susan"
data2="John Alice Clara Kate John Alex"
scan(data1,data2)
>Addresses list 1: 5
>Addresses list 2: 6
>Useful Addresses: 6
>['Alex', 'Susan', 'Clara', 'Alice', 'Mary', 'Davide']

感谢您的帮助：）

Answer 1

在跨越多行的字符串周围使用三引号：

input1="""Davide
...:Michele
...:Giorgio
...:Paolo"""

然后，它们会被返回（"\n"）分隔，因此您可以使用inpu1.split('\n')将其转换为列表。

使用set对象，您的操作变得非常简单。要获取s1中不在s2中的元素，我们只需s1 - s2即可。联盟只是|，交叉点只是&所以告诉我们。

s1 = set(input1.split('\n'))
s2 = set(input2.split('\n'))
adresses_in_only_one_file = (s1 | s2) - (s1 & s2)

Answer 2

扩展@ irh的回答，然后你可以使用sets获得两组之间的对称差异:( list1和list2中的元素，但两者都没有）

list1 = ['address1', 'address2', 'address3']

list1 = ['address5', 'address4', 'address3']

result = list(set(list1) ^ set(list2))

>>> print result
['address1', 'address2', 'address4', 'address5']     #note result might be jumbled but that shouldn't matter

Answer 3

shared =[]
for el in lista1:
    if el in lista2:
        shared.append(el) #shared is the intersection of lista1 and lista2

In [10]: lista1=[1,2,3,4,5,6,7,8,9]

In [11]: lista2=[1,2,3,10,11,12,13]

In [12]: lista1=set(lista1)

In [13]: shared = lista1.intersection(lista2) # same as your loop above

In [14]: shared
Out[14]: {1, 2, 3}

如果您想要列表，请使用list(lista1.intersection(lista2))

for el in shared:
    n1=lista1.count(el)
    for i in range(n1):
        lista1.remove(el) #Removes from lista1 the elements shared with lista2
    n2=lista2.count(el)   #as many times as they appear
    for j in range(n2):
        lista2.remove(el)
result=lista1+lista2

         lista1=set(lista1) 
In [15]: list(lista1.symmetric_difference(lista2))
Out[15]: [4, 5, 6, 7, 8, 9, 10, 11, 12, 13] # same as above.

Python - 将长地址列表转换为字符串列表和列表交集

3 个答案: