Question

我有一个流程，用于收集整周生成的报告，并整合收集以消除相同的报告。

我编写了一个函数，通过查找具有相同索引的那些来识别相同的报告，然后它排除了除了其中一个相同并继续前进之外的所有报告。虽然它适用于5000-10,000个报告，但它开始花费大量时间来处理，例如，50,000多个报告，随着时间的推移，这将越来越常见。

如果我可以先发制人地删除报告并因此避免这一步骤，那将是很好的，但生成报告的过程不允许这样做。所以，我想找到一种方法来使这个或类似的功能更有效。

代码如下：

def report_diff_index(self,dnc_data,folders):
    master_report_dict, master_val_dict = self.report_orderer(folders)
    sorts = self.report_sorter(dnc_data,master_report_dict)
    keys = [k for k in sorts.keys()]
    consolidated_sorts = keys
    print('Original Report Size: ', len(consolidated_sorts))
    for k in keys:
        if k in consolidated_sorts:
            for j in keys[keys.index(k)+1:]:
                if j in consolidated_sorts:
                    if len(list(set(sorts[k].index).symmetric_difference(sorts[j].index))) == 0:
                        consolidated_sorts.remove(j)
    print('Consolidated Report Size: ', len(consolidated_sorts))
    consolidated_report = {}
    consolidated_val = {}
    for s in consolidated_sorts:
        consolidated_report[s] = master_report_dict[s]
        consolidated_val[s] = master_val_dict[s]
    return consolidated_report, consolidated_val

Answer 1

我不知道我是否正确理解你的问题，即使我这样做，我也不知道这是否更快，但是不可能创建一个dict，你可以使用唯一的报告索引作为键（例如使用frozenset）然后将报告键作为值。感觉这是建立唯一列表的更快捷方式，但我可能会离开：

def report_diff_index(self,dnc_data,folders):
    master_report_dict, master_val_dict = self.report_orderer(folders)
    sorts = self.report_sorter(dnc_data,master_report_dict)
    print('Original Report Size: ', len(sorts))
    unique_reports = dict()
    for report_key, report in sorts.items:
        key = frozenset(report.index)
        # Alt 1. Replace with new (identical) repoirt
        unique_reports[key] = report_key
        # Alt 2. Keep first report
        if key not in unique_reports:
            unique_reports[key] = report_key
    consolidated_sorts = unique_reports.values()
    print('Consolidated Report Size: ', len(consolidated_sorts))
    consolidated_report = {}
    consolidated_val = {}
    for s in consolidated_sorts:
        consolidated_report[s] = master_report_dict[s]
        consolidated_val[s] = master_val_dict[s]
    return consolidated_report, consolidated_val

正如您所看到的，dict更新中还有两个选项，这取决于您是要保留第一个找到的报告还是无关紧要。

插入dict应该接近O（1）因此我会想象这很快。

Answer 2

如果我错了，请纠正我，但它看起来像是：

consolidated_sorts = keys
print('Original Report Size: ', len(consolidated_sorts))
for k in keys:
    if k in consolidated_sorts:
        for j in keys[keys.index(k)+1:]:
            if j in consolidated_sorts:
                if len(list(set(sorts[k].index).symmetric_difference(sorts[j].index))) == 0:
                    consolidated_sorts.remove(j)

只是寻找独特的报道。实际上，迭代是多余的，因为您首先将consolidated_sorts设置为等于keys，然后迭代这些值并询问它们是否在consolidated_sorts中，这是它们的来源。

如果你只想要独特的键，你可以尝试这样的事情：

def report_diff_index(self,dnc_data,folders):
    master_report_dict, master_val_dict = self.report_orderer(folders)
    sorts = self.report_sorter(dnc_data,master_tree)

    # New code to create unique set of keys
    unique_keys = set(sorts.keys())

    consolidated_report = {}
    consolidated_val = {}

    for key in unique_keys:
        consolidated_report[key] = master_report_dict[key]
        consolidated_val[key] = master_val_dict[key]

    return consolidated_report, consolidated_val

如何在多个数据帧中有效地找到相同的索引

2 个答案: