纯Python,内存中,解决方案。 (因为当你有内存时)
要获得名称集,我转置xlist然后形成一组每个转置的元素,将删除任何重复。
mintokenset只找到项目数量最少的集合。
minindex查找内部列表mintokenset所对应的列。
名称列表被初始化为具有足够空的内部列表。
for循环采用该信息来适当地拆分内部列表。
>>> from pprint import pprint as pp
>>>
>>> xlist =[['instructor','plb','error0992'],['instruction','address','00x0993'],['data','address','017x112']]
>>> sets = [set(transposedcolumn) for transposedcolumn in zip(*xlist)]
>>> pp(sets)
[{'instructor', 'data', 'instruction'},
{'plb', 'address'},
{'00x0993', '017x112', 'error0992'}]
>>> mintokenset = min(sets, key=lambda x:len(x))
>>> mintokenset
{'plb', 'address'}
>>> minindex = sets.index(mintokenset)
>>> minindex
1
>>> mintokens = sorted(mintokenset)
>>> mintokens
['address', 'plb']
>>> lists = [[] for _ in mintokenset]
>>> lists
[[], []]
>>> for innerlist in xlist:
lists[mintokens.index(innerlist[minindex])].append(innerlist)
>>> pp(lists)
[[['instruction', 'address', '00x0993'], ['data', 'address', '017x112']],
[['instructor', 'plb', 'error0992']]]
>>>
从上述涂鸦继,大数据,假设它被存储在一个文件中(每行一个内部列表,逗号隔开)。该文件可以读取一次,mintokenset和minindex使用一个复杂的生成器表达式来发现,该表达式可以降低RAM的要求。
使用另一个生成器表达式第二次读取输入文件并将输入记录切换到相应的输出文件时,输出类似地存储在尽可能多的输出文件中。
数据应该流经很少的整体RAM使用量。
from pprint import pprint as pp
def splitlists(logname):
with open(logname) as logf:
#sets = [set(transposedcolumn) for transposedcolumn in zip(*(line.strip().split(',') for line in logf))]
mintokenset, minindex = \
min(((set(transposedcolumn), i)
for i, transposedcolumn in
enumerate(zip(*(line.strip().split(',') for line in logf)))),
key=lambda x:len(x[0]))
mintokens = sorted(mintokenset)
lists = [open(r'C:\Users\Me\Code\splitlists%03i.dat' % i, 'w') for i in range(len(mintokenset))]
with open(logname) as logf:
for innerlist in (line.strip().split(',') for line in logf):
lists[mintokens.index(innerlist[minindex])].write(','.join(innerlist) + '\n')
for filehandle in lists:
filehandle.close()
if __name__ == '__main__':
# File splitlists.log has the following input
'''\
instructor,plb,error0992
instruction,address,00x0993
data,address,017x112'''
logname = 'splitlists.log'
splitlists(logname)
# Creates the following two output files:
# splitlists000.dat
'''\
instruction,address,00x0993
data,address,017x112'''
# splitlists001.dat
'''\
instructor,plb,error0992'''
是否所有的子列表大小相同? – Hyperboreus
实际上xlist是一个biglist的子列表。 biglist被分成相同大小的子列表。 xlist就是其中之一。所以xlist具有相同大小的子列表。事实上,我需要对biglist的所有其他子列表应用相同的过程。 – Manoj
这种糟糕的数据结构选择。你有任何控制输入?改变数据最初的存储方式可能会更好,而不是试图如此全面地分析输出,以便知道每个列表中每个元素的子元素2中有多少个唯一值! –