将数据点分组为系列

StackOverflow https://stackoverflow.com/questions/1549412

  •  20-09-2019
  •  | 
  •  

题

我的列表中有一系列数据点（元组），格式如下：

points = [(1, 'a'), (2, 'b'), (2, 'a'), (3, 'd'), (4, 'c')]

每个元组中的第一项是一个整数，并且确保它们已排序。每个元组中的第二个值是任意字符串。

我需要将它们按系列中的第一个值分组到列表中。因此，给定间隔 3，上面的列表将分为：

[['a', 'b', 'a', 'd'], ['c']]

我编写了以下函数，它在小数据集上运行良好。然而，对于大量输入而言，它是无效的。有关如何重写/优化/最小化它以便我可以处理大型数据集的任何提示？

def split_series(points, interval):
    series = []

    start = points[0][0]
    finish = points[-1][0]

    marker = start
    next = start + interval
    while marker <= finish:
        series.append([point[1] for point in points if marker <= point[0] < next])
        marker = next
        next += interval

    return series
有帮助吗？

解决方案

有关完整，这里与itertools.groupby一个解决方案，但该词典的解决方案可能会更快（更不用提了很多更容易阅读）。

import itertools
import operator

def split_series(points, interval):
    start = points[0][0]

    return [[v for k, v in grouper] for group, grouper in
            itertools.groupby((((n - start) // interval, val)
                               for n, val in points), operator.itemgetter(0))]

请注意，上述假设你有每个组中至少有一个项目，否则，会给您的脚本，即不同的结果：

>>> split_series([(1, 'a'), (2, 'b'), (6, 'a'), (6, 'd'), (11, 'c')], 3)
[['a', 'b'], ['a', 'd'], ['c']]

代替

的 
[['a', 'b'], ['a', 'd'], [], ['c']]

这里的一个固定式字典溶液。在某一时刻，词典查询时间将开始占据主导地位，但也许它的速度不够快，你这个样子。

from collections import defaultdict

def split_series(points, interval):
    offset = points[0][0]
    maxval = (points[-1][0] - offset) // interval
    vals = defaultdict(list)
    for key, value in points:
        vals[(key - offset) // interval].append(value)
    return [vals[i] for i in xrange(maxval + 1)]

其他提示

你的代码是 O(n2）。这是一个 O(n) 的解决方案：

def split_series(points, interval):
    series = []
    current_group = []
    marker = points[0][0]
    for value, data in points:
        if value >= marker + interval:
            series.append(current_group)
            current_group = []
            marker += interval
        current_group.append(data)

    if current_group:
        series.append(current_group)

    return series

points = [(1, 'a'), (2, 'b'), (2, 'a'), (3, 'd'), (4, 'c')]
print split_series(points, 3)  # Prints [['a', 'b', 'a', 'd'], ['c']]

的一种方式做到这一点（在速度没有承诺）：

将您的元组的列表分为两个列表： [1,2,2,3,4]和['a','b','a','d','c']

由于第一列表进行排序，你可以只保留迭代，直到你得到一个元素超出了范围。然后，你知道的开始和结束元素的索引，所以你可以只切串了第二阵。继续，直到你已经得到了所有的时间间隔。

我不知道如何高效那将是与传统的Python列表，但如果你的数据集够大，你可以尝试使用NumPy的阵列，这将切片真的很快。

这是你的代码，我假设我之前的评论是正确的。这里的问题似乎是性能是O（n ^ 2） - 你重复的列表理解（它迭代所有项目）多次

我说，用一个简单的for循环。如果当前项在同一个组与前一个属于，将其添加到现有的内部列表[[“一”]，[“b”的〕〕 - > [[“一”]，[“B”，“C “]]。如果没有，将其添加到新的内部列表，也许第一加法空填充列表。

扩展在上午的回答，请使用defaultdict，并通过间隔地板分的关键，正确地打破他们。

from collections import defaultdict
def split_series(points, interval):
    vals = defaultdict(list)
    for key, value in points:
        vals[(key-1)//interval].append(value)
    return vals.values()

下面是一个使用的xrange的步骤行为懒惰的方法：

def split_series(points, interval):
    end_of_chunk = interval
    chunk = []
    for marker, item in points:
        if marker > end_of_chunk:
            for end_of_chunk in xrange(end_of_chunk, marker, interval):
                yield chunk
                chunk = []
            end_of_chunk += interval
        chunk.append(item)
    yield chunk

如何使用迭代器惰性求？

这应该是你的初始溶液的当量：

from itertools import groupby

def split_series(points, interval):
    """
    >>> points = [(1, 'a'), (2, 'b'), (2, 'a'), (3, 'd'), (4, 'c')]
    >>> print list(split_series(points, 3))
    [['a', 'b', 'a', 'd'], ['c']]
    """

    def interval_key(t):
        return (t[0] - points[0][0]) // interval

    groups = groupby(points, interval_key)

    for group in groups:
        yield [v for _, v in group[1]]
许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top