Python 比较标记化列表

Question

我需要这个问题的最快解决方案，因为它将应用于一个巨大的数据集：

鉴于此主列表：

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

...以及此列表的参考列表：

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

我想将 r 中的每个列表与主列表 (m) 进行比较，并生成一个新的列表列表。这个新对象将根据 m 中的顺序为匹配项设置 1，不匹配项设置为 0。因此新对象（列表的列表）将始终具有与 m 相同长度的列表。这是我基于上面的 m 和 r 的期望：

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

因为r的第一个元素是['abc','def']并且有匹配使用 m 的第 1 个和第 4 个元素，结果是 [1,0,0,1].

这是我目前的方法（可能太慢并且缺少零）：

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

导致：

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

提前致谢！

Answer 1

一种使用 np.in1d 和一个循环的方法 -

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 来提高内存和性能。

样本运行-

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 有等长的列表，我们可以使用完全矢量化的方法。

Answer 2

你快到了。

如果 x 在 i 中，您想添加 1，如果不在 x 中，则添加 0，对于 [=17 中的每个 x =].

所以脚本听起来像：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 3

如果没有 numpy，您可以使用 嵌套列表理解 作为：

>>> 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]]

实际上您不需要类型转换为 int，因为 Python 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 4

您可以像这样使用嵌套列表理解：

>>> 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 int(...) 缩短 1 if ... else 0，并且可以将 r 的子列表转换为 set，这样单个 mx in rx 查找速度更快。

>>> [[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 短一点，但似乎也更慢，因此您可能不应该使用它。在重复查找之前将 r 的子列表转换为 set 应该会加快较长列表的速度，但对于非常短的示例列表，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

对于更长的列表，使用 set 会变得更快，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 5

多处理来拯救！

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

Python Compare Tokenized Lists

python

arrays

numpy

list

sparse-matrix