Question

我需要尽可能快地解决这个问题，因为它将应用于庞大的数据集：

鉴于此主列表：

create_disposition='CREATE_IF_NEEDED'

...以及此参考列表清单：

m=['abc','bcd','cde','def']

我想将r中的每个列表与主列表（m）进行比较，并生成新的列表列表。这个新对象将根据m的顺序为1匹配，对于非匹配则为0。因此，新对象（列表列表）将始终具有与m相同长度的列表。以下是基于m和r的预期：

r=[['abc','def'],['bcd','cde'],['abc','def','bcd']]

因为r的第一个元素是[[1,0,0,1],[0,1,1,0],[1,1,0,1]]并且匹配使用m的第1和第4个元素，结果为['abc','def']。

到目前为止，这是我的方法（可能太慢而且缺少零）：

[1,0,0,1]

导致：

output=[]
for i in r:
    output.append([1 for x in m if x in i])

提前致谢！

Answer 1

您可以使用这样的嵌套列表解析：

>>> m = ['abc','bcd','cde','def']
>>> r = [['abc','def'],['bcd','cde'],['abc','def','bcd']]
>>> [[1 if mx in rx else 0 for mx in m] for rx in r]
[[1, 0, 0, 1], [0, 1, 1, 0], [1, 1, 0, 1]]

此外，您可以使用1 if ... else 0缩短int(...)，并且可以将r的子列表转换为set，以便单个mx in rx查找更快。

>>> [[int(mx in rx) for mx in m] for rx in r]
[[1, 0, 0, 1], [0, 1, 1, 0], [1, 1, 0, 1]]
>>> [[int(mx in rx) for mx in m] for rx in map(set, r)]
[[1, 0, 0, 1], [0, 1, 1, 0], [1, 1, 0, 1]]

虽然int(...)比1 if ... else 0稍短，但它似乎也较慢，所以你可能不应该使用它。在重复查找之前将r的子列表转换为set可以加快更长列表的速度，但对于非常简短的示例列表，它实际上比天真的方法慢。

>>> %timeit [[1 if mx in rx else 0 for mx in m] for rx in r]
100000 loops, best of 3: 4.74 µs per loop
>>> %timeit [[int(mx in rx) for mx in m] for rx in r]
100000 loops, best of 3: 8.07 µs per loop
>>> %timeit [[1 if mx in rx else 0 for mx in m] for rx in map(set, r)]
100000 loops, best of 3: 5.82 µs per loop

对于较长的列表，使用set变得更快，正如预期的那样：

>>> m = [random.randint(1, 100) for _ in range(50)]
>>> r = [[random.randint(1,100) for _ in range(10)] for _ in range(20)]
>>> %timeit [[1 if mx in rx else 0 for mx in m] for rx in r]
1000 loops, best of 3: 412 µs per loop
>>> %timeit [[1 if mx in rx else 0 for mx in m] for rx in map(set, r)]
10000 loops, best of 3: 208 µs per loop

Answer 2

使用np.in1d一个循环的一种方法 -

np.array([np.in1d(m,i) for i in r]).astype(int)

使用显式循环，它看起来像这样 -

out = np.empty((len(r),len(m)),dtype=int)
for i,item in enumerate(r):
    out[i] = np.in1d(m,item)

我们可以使用dtype=bool来获取内存和性能。

示例运行 -

In [18]: m
Out[18]: ['abc', 'bcd', 'cde', 'def']

In [19]: r
Out[19]: [['abc', 'def'], ['bcd', 'cde'], ['abc', 'def', 'bcd']]

In [20]: np.array([np.in1d(m,i) for i in r]).astype(int)
Out[20]: 
array([[1, 0, 0, 1],
       [0, 1, 1, 0],
       [1, 1, 0, 1]])

如果r列表长度相等，我们可以使用完全向量化的方法。

Answer 3

你快到了。

如果1在x，则需要添加i，如果不是0则为x，m

所以脚本听起来似乎是：1 if x in i else 0作为条件，for x in m：

output = [[1 if x in i else 0 for x in m] for i in r]
print(output)

结果

[[1, 0, 0, 1], [0, 1, 1, 0], [1, 1, 0, 1]]

Answer 4

没有numpy ，您可以使用嵌套列表理解执行此操作：

>>> m = ['abc','bcd','cde','def']
>>> r = [['abc','def'],['bcd','cde'],['abc','def','bcd']]

>>> [[int(mm in rr) for mm in m] for rr in r]
[[1, 0, 0, 1], [0, 1, 1, 0], [1, 1, 0, 1]]

实际上，您不需要对int进行类型转换，因为Python会将False视为0，将True视为1。此外，使用bool值可以提高内存效率。因此，您的表达式将如下所示：

>>> [[mm in rr for mm in m] for rr in r]
[[True, False, False, True], [False, True, True, False], [True, True, False, True]]

Answer 5

多处理救援！

import multiprocessing as mp

def matcher(qIn, qOut):
    m = set(['abc','bcd','cde','def'])
    for i,L in iter(qIn.get, None):
        answer = [1 if e in m else 0 for e in L]
        qOut.put((i,answer))


def main(L):
    qIn, qOut = [mp.Queue() for _ in range(2)]
    procs = [mp.Process(target=matcher, args=(qIn, qOut)) for _ in range(mp.cpu_count()-1)]
    for p in procs: p.start()

    numElems = len(L)
    for t in enumerate(L): qIn.put(t)
    for p in procs: qIn.put(None)

    done = 0
    while done < numElems:
        i,answer = qIn.get()
        L[i] = answer
        done += 1

    for p in procs: p.terminate()

if __name__ == "__main__":
    L = [['abc','def'],['bcd','cde'],['abc','def','bcd']]
    main(L)
    # now L looks like the required output

Python比较标记化列表

5 个答案: