Question

我需要将大量对象存储在内存中以便在Python中进行处理。具体来说，我正在尝试从大量对象中删除重复项。如果对象中的某个实例变量相等，我想将两个对象视为“相等”。所以，我认为最简单的方法是将我的所有对象插入到一个集合中，并覆盖__hash__方法，以便它散列我关注的实例变量。

因此，作为测试我尝试了以下内容：

class Person:
    def __init__(self, n, a):
        self.name = n
        self.age = a

    def __hash__(self):
        return hash(self.name)

    def __str__(self):
        return "{0}:{1}".format(self.name, self.age)

myset = set()
myset.add(Person("foo", 10))
myset.add(Person("bar", 20))
myset.add(Person("baz", 30))
myset.add(Person("foo", 1000)) # try adding a duplicate

for p in myset: print(p)

在这里，我定义了一个Person类，并且Person具有相同name变量的任何两个实例都是相同的，无论其他任何实例变量的值如何。不幸的是，这输出：

baz:30
foo:10
bar:20
foo:1000

请注意，foo出现两次，因此该程序未发现重复项。然而，hash(Person("foo", 10)) == hash(Person("foo", 1000))这个词是True。那么为什么这不能正确检测重复的Person个对象呢？

Answer 1

你忘了也 define __eq__()。

如果某个类未定义__cmp__()或__eq__()方法，则不应定义__hash__()操作;如果它定义__cmp__()或__eq__()但不定义__hash__()，则其实例将无法在散列集合中使用。如果一个类定义了可变对象并实现了__cmp__()或__eq__()方法，那么它不应该实现__hash__()，因为hashable collection实现要求对象的哈希值是不可变的（如果对象的哈希值）更改，它将在错误的哈希桶中。）

Answer 2

显然，一组必须处理哈希冲突。如果两个对象的散列匹配，则该集将使用==运算符对它们进行比较，以确保它们真的相等。在您的情况下，如果两个对象是同一个对象（用户定义类的标准实现），则只会产生True。

长话短说：同时定义__eq__()以使其有效。

Answer 3

散列函数不足以区分您必须实现比较函数的对象（即__eq__）。

Answer 4

哈希函数有效地说“A可能等于B”或“A不等于B（肯定）”。

如果它说“可能等于”那么必须检查平等以确保，这就是为什么你还需要实现__eq__。

尽管如此，定义__hash__可以通过使“A不等于B（肯定）”O(1)操作来显着加快速度。

然而，哈希函数必须始终遵循“哈希规则”：

“哈希规则”：相等的东西必须哈希到相同的值
（理由：否则我们会说“A不等于B（肯定）”，但事实并非如此）

例如，您可以按def __hash__(self): return 1对所有内容进行哈希处理。这仍然是正确的，但是效率很低，因为每次都必须检查__eq__，如果你有复杂的大型数据结构（例如大型列表，字典等），这可能是一个漫长的过程。

请注意，您在技术上遵循“哈希规则”，通过忽略实施def __hash__(self): return self.name中的年龄来执行此操作。如果鲍勃是一个20岁的人，鲍勃是另一个30岁的人，他们是不同的人（可能除非这是某种随时跟踪他们的年龄段跟踪计划），那么它们将散列为相同的值，并且必须与__eq__进行比较。这很好，但我会像这样实现它：

def __hash__(self):
    return hash( (self.name, self.age) )

请注意您的方式仍然正确。然而，在hash( (self.name, self.age) )和Person("Bob", age=20)实际上是同一个人的世界中使用Person("Bob", age=30)会产生编码错误，因为哈希函数会说它们在等于功能不会（但可以忽略）。

Answer 5

您还需要__ eq __（）方法。

Python：使用集合检测重复项

5 个答案: