如何获得没有重复的新列表?
[1, 2, 3, 1] → [1, 2, 3]
如何获得完全删除重复项目的新列表?
[1, 2, 3, 1] → [2, 3]
获取唯一项目集合的常用方法是使用 set
。集合是无序不同对象的集合。要从任何可迭代对象创建集合,您只需将其传递给内置 set()
函数即可。如果您以后再次需要一个真实列表,您可以类似地将集合传递给 list()
函数。
以下示例应涵盖您尝试执行的任何操作:
>>> t = [1, 2, 3, 1, 2, 3, 5, 6, 7, 8]
>>> list(set(t))
[1, 2, 3, 5, 6, 7, 8]
>>> s = [1, 2, 3]
>>> list(set(t) - set(s))
[8, 5, 6, 7]
从示例结果中可以看出,原始顺序没有得到维护。如上所述,集合本身是无序的集合,因此失去了顺序。将集合转换回列表时,会创建任意顺序。
维持秩序
如果顺序对您很重要,那么您将不得不使用不同的机制。一个非常常见的解决方案是依靠 OrderedDict
在插入过程中保持键的顺序:
>>> from collections import OrderedDict
>>> list(OrderedDict.fromkeys(t))
[1, 2, 3, 5, 6, 7, 8]
Starting with Python 3.7,内置字典也保证保持插入顺序,因此如果您使用的是 Python 3.7 或更高版本(或 CPython 3.6),也可以直接使用它:
>>> list(dict.fromkeys(t))
[1, 2, 3, 5, 6, 7, 8]
请注意,这可能会产生一些开销,即首先创建字典,然后从中创建列表。如果您实际上不需要保留顺序,则通常最好使用集合,特别是因为它为您提供了更多操作。查看 this question 了解更多详细信息以及在删除重复项时保留顺序的替代方法。
最后请注意,set
和 OrderedDict
/dict
解决方案都要求您的项目是可散列的。这通常意味着它们必须是不可变的。如果您必须处理不可散列的项目(例如列表对象),那么您将不得不使用一种缓慢的方法,在这种方法中,您基本上必须将每个项目与嵌套循环中的每个其他项目进行比较。
在 Python 2.7 中,从可迭代项中删除重复项同时保持其原始顺序的新方法是:
>>> from collections import OrderedDict
>>> list(OrderedDict.fromkeys('abracadabra'))
['a', 'b', 'r', 'c', 'd']
在 Python 3.5 中,OrderedDict 有一个 C 实现。我的时间安排表明,这现在是 Python 3.5 的各种方法中最快和最短的。
在 Python 3.6 中,常规 dict 变得既有序又紧凑。 (此功能适用于 CPython 和 PyPy,但可能不存在于其他实现中)。这为我们提供了一种在保持顺序的同时进行重复数据删除的最快方法:
>>> list(dict.fromkeys('abracadabra'))
['a', 'b', 'r', 'c', 'd']
在 Python 3.7 中,保证常规 dict 在所有实现中都是有序的。因此,最短和最快的解决方案是:
>>> list(dict.fromkeys('abracadabra'))
['a', 'b', 'r', 'c', 'd']
unique_everseen
,它适用于可散列和不可散列的项目。
这是一个单行代码:list(set(source_list))
可以解决问题。
set
是不可能有重复的东西。
更新:保持顺序的方法是两行:
from collections import OrderedDict
OrderedDict((x, True) for x in source_list).keys()
这里我们使用 OrderedDict
记住键的插入顺序这一事实,并且在更新特定键的值时不会更改它。我们插入 True
作为值,但我们可以插入任何内容,只是不使用值。 (set
的工作方式也很像具有忽略值的 dict
。)
>>> t = [1, 2, 3, 1, 2, 5, 6, 7, 8]
>>> t
[1, 2, 3, 1, 2, 5, 6, 7, 8]
>>> s = []
>>> for i in t:
if i not in s:
s.append(i)
>>> s
[1, 2, 3, 5, 6, 7, 8]
如果您不关心订单,请执行以下操作:
def remove_duplicates(l):
return list(set(l))
set
保证没有重复项。
要创建一个新列表,保留 L
中重复项的第一个元素的顺序:
newlist = [ii for n,ii in enumerate(L) if ii not in L[:n]]
例如:如果 L = [1, 2, 2, 3, 4, 2, 4, 3, 5]
,则 newlist
将是 [1, 2, 3, 4, 5]
这会在添加之前检查每个新元素之前没有出现在列表中。它也不需要进口。
set
和 OrderedDict
的答案可能具有较低的摊销时间复杂度。
in
运算符不会像预期的那样工作(至少正如我所预期的那样)。
还有使用 Pandas 和 Numpy 的解决方案。它们都返回 numpy 数组,所以如果你想要一个列表,你必须使用函数 .tolist()
。
t=['a','a','b','b','b','c','c','c']
t2= ['c','c','b','b','b','a','a','a']
熊猫解决方案
使用 Pandas 函数 unique()
:
import pandas as pd
pd.unique(t).tolist()
>>>['a','b','c']
pd.unique(t2).tolist()
>>>['c','b','a']
麻木的解决方案
使用 numpy 函数 unique()
。
import numpy as np
np.unique(t).tolist()
>>>['a','b','c']
np.unique(t2).tolist()
>>>['a','b','c']
请注意,numpy.unique() 也会对值进行排序。因此列表 t2
已排序返回。如果您想保留订单,请使用 this answer:
_, idx = np.unique(t2, return_index=True)
t2[np.sort(idx)].tolist()
>>>['c','b','a']
与其他解决方案相比,该解决方案并不那么优雅,但是,与 pandas.unique() 相比,numpy.unique() 还允许您检查嵌套数组是否沿一个选定的轴是唯一的。
在这个答案中,将有两个部分:两个独特的解决方案,以及特定解决方案的速度图。
删除重复项
这些答案中的大多数只删除了可散列的重复项,但这个问题并不意味着它不仅需要可散列项,这意味着我将提供一些不需要可散列项的解决方案。
collections.Counter
是标准库中的一个功能强大的工具,非常适合这一点。只有另一种解决方案甚至包含 Counter 。但是,该解决方案也仅限于 hashable 键。
为了在 Counter 中允许不可散列的键,我制作了一个 Container 类,它会尝试获取对象的默认散列函数,但如果失败,它将尝试其标识函数。它还定义了一个 eq 和一个 hash 方法。这应该足以在我们的解决方案中允许 unhashable 项。不可散列的对象将被视为可散列。然而,这个散列函数对不可散列的对象使用身份,这意味着两个同样不可散列的对象将不起作用。我建议您覆盖它,并将其更改为使用等效可变类型的哈希(例如,如果 my_list
是列表,则使用 hash(tuple(my_list))
)。
我也提出了两个解决方案。另一种保持项目顺序的解决方案,使用名为“OrderedCounter”的 OrderedDict 和 Counter 的子类。现在,这里是功能:
from collections import OrderedDict, Counter
class Container:
def __init__(self, obj):
self.obj = obj
def __eq__(self, obj):
return self.obj == obj
def __hash__(self):
try:
return hash(self.obj)
except:
return id(self.obj)
class OrderedCounter(Counter, OrderedDict):
'Counter that remembers the order elements are first encountered'
def __repr__(self):
return '%s(%r)' % (self.__class__.__name__, OrderedDict(self))
def __reduce__(self):
return self.__class__, (OrderedDict(self),)
def remd(sequence):
cnt = Counter()
for x in sequence:
cnt[Container(x)] += 1
return [item.obj for item in cnt]
def oremd(sequence):
cnt = OrderedCounter()
for x in sequence:
cnt[Container(x)] += 1
return [item.obj for item in cnt]
remd
是无序排序,而 oremd
是有序排序。您可以清楚地分辨出哪个更快,但无论如何我都会解释。无序排序稍微快一些,因为它不存储项目的顺序。
现在,我还想展示每个答案的速度比较。所以,我现在就这样做。
哪个函数最快?
为了删除重复项,我从几个答案中收集了 10 个函数。我计算了每个函数的速度,并使用 matplotlib.pyplot 将其放入图表中。
我把它分成三轮作图。 hashable 是可以散列的任何对象,unhashable 是任何不能散列的对象。有序序列是保持顺序的序列,无序序列不保持顺序。现在,这里还有一些术语:
Unordered Hashable 适用于任何删除重复项的方法,不一定要保持顺序。它不必对不可散列的数据起作用,但它可以。
Ordered Hashable 适用于保持列表中项目顺序的任何方法,但它不一定适用于 unhashables,但它可以。
Ordered Unhashable 是保持列表中项目顺序的任何方法,并且适用于 unhashables。
在 y 轴上是花费的秒数。
x 轴上是应用函数的数字。
我使用以下理解为无序哈希和有序哈希生成了序列:[list(range(x)) + list(range(x)) for x in range(0, 1000, 10)]
对于有序的 unhashable:[[list(range(y)) + list(range(y)) for y in range(x)] for x in range(0, 1000, 10)]
请注意,该范围中有一个 step
,因为没有它,这将花费 10 倍的时间。也因为在我个人看来,我认为它可能看起来更容易阅读。
另请注意,图例上的键是我试图猜测的功能实现中最重要的部分。至于什么功能最差或最好?图表不言自明。
有了这个,这里是图表。
无序哈希
https://i.stack.imgur.com/KlFmQ.png
有序哈希
https://i.stack.imgur.com/n3OMu.png
有序不可散列
https://i.stack.imgur.com/Va9c6.png
一位同事今天将接受的答案作为他的代码的一部分发送给我进行代码审查。虽然我当然很佩服这个答案的优雅,但我对这个表现并不满意。我已经尝试过这个解决方案(我使用 set 来减少查找时间)
def ordered_set(in_list):
out_list = []
added = set()
for val in in_list:
if not val in added:
out_list.append(val)
added.add(val)
return out_list
为了比较效率,我使用了 100 个整数的随机样本 - 62 个是唯一的
from random import randint
x = [randint(0,100) for _ in xrange(100)]
In [131]: len(set(x))
Out[131]: 62
以下是测量结果
In [129]: %timeit list(OrderedDict.fromkeys(x))
10000 loops, best of 3: 86.4 us per loop
In [130]: %timeit ordered_set(x)
100000 loops, best of 3: 15.1 us per loop
那么,如果从解决方案中删除 set 会发生什么?
def ordered_set(inlist):
out_list = []
for val in inlist:
if not val in out_list:
out_list.append(val)
return out_list
结果没有OrderedDict那么糟糕,但仍然是原始解决方案的3倍以上
In [136]: %timeit ordered_set(x)
10000 loops, best of 3: 52.6 us per loop
def unique(iterable):
;seen = set()
; seen_add = seen.add
; return [item for item in iterable if not item in seen and not seen_add(item)]
很晚的答案。如果您不关心列表顺序,您可以使用具有 set
唯一性的 *arg
扩展来删除欺骗,即:
l = [*{*l}]
另一种做法:
>>> seq = [1,2,3,'a', 'a', 1,2]
>> dict.fromkeys(seq).keys()
['a', 1, 2, 3]
keys()
返回一个字典视图对象,而不是一个列表。
简单易行:
myList = [1, 2, 3, 1, 2, 5, 6, 7, 8]
cleanlist = []
[cleanlist.append(x) for x in myList if x not in cleanlist]
输出:
>>> cleanlist
[1, 2, 3, 5, 6, 7, 8]
in
是 O(n) 操作,您的 cleanlist
最多有 n
个数字 =>最坏情况~O(n^2)
我的列表中有一个字典,所以我不能使用上述方法。我得到了错误:
TypeError: unhashable type:
因此,如果您关心订单和/或某些项目是不可散列的。然后你可能会发现这很有用:
def make_unique(original_list):
unique_list = []
[unique_list.append(obj) for obj in original_list if obj not in unique_list]
return unique_list
有些人可能认为具有副作用的列表理解不是一个好的解决方案。这是一个替代方案:
def make_unique(original_list):
unique_list = []
map(lambda x: unique_list.append(x) if (x not in unique_list) else False, original_list)
return unique_list
map
比具有副作用的 listcomp 更具误导性。此外,lambda x: unique_list.append(x)
只是通过 unique_list.append
的一种更笨拙且更慢的方式。
到目前为止,我在这里看到的所有保持顺序的方法要么使用简单比较(最多 O(n^2) 时间复杂度),要么使用有限的重量级 OrderedDicts
/set
+list
组合到可散列的输入。这是一个与哈希无关的 O(nlogn) 解决方案:
更新 添加了 key
参数、文档和 Python 3 兼容性。
# from functools import reduce <-- add this import on Python 3
def uniq(iterable, key=lambda x: x):
"""
Remove duplicates from an iterable. Preserves order.
:type iterable: Iterable[Ord => A]
:param iterable: an iterable of objects of any orderable type
:type key: Callable[A] -> (Ord => B)
:param key: optional argument; by default an item (A) is discarded
if another item (B), such that A == B, has already been encountered and taken.
If you provide a key, this condition changes to key(A) == key(B); the callable
must return orderable objects.
"""
# Enumerate the list to restore order lately; reduce the sorted list; restore order
def append_unique(acc, item):
return acc if key(acc[-1][1]) == key(item[1]) else acc.append(item) or acc
srt_enum = sorted(enumerate(iterable), key=lambda item: key(item[1]))
return [item[1] for item in sorted(reduce(append_unique, srt_enum, [srt_enum[0]]))]
tuple()
列表和散列它们很痛苦。 | | | | - 一般来说,散列过程花费的时间与整个数据的大小成正比,而这种解决方案花费的时间为 O(nlog(n)),仅取决于列表的长度。
reduce()
已经在处理排序集合 srt_enum
,您为什么再次申请 sorted
?
如果您想保留订单,并且不使用任何外部模块,这是一种简单的方法:
>>> t = [1, 9, 2, 3, 4, 5, 3, 6, 7, 5, 8, 9]
>>> list(dict.fromkeys(t))
[1, 9, 2, 3, 4, 5, 6, 7, 8]
注意:此方法保留了出现的顺序,因此,如上所示,9 将出现在一个之后,因为它是第一次出现。但是,这与您将获得的结果相同
from collections import OrderedDict
ulist=list(OrderedDict.fromkeys(l))
但它更短,运行速度更快。
这是有效的,因为每次 fromkeys
函数尝试创建一个新键时,如果该值已经存在,它将简单地覆盖它。但是,这根本不会影响字典,因为 fromkeys
创建了一个字典,其中所有键的值都为 None
,因此它有效地消除了所有重复项。
你也可以这样做:
>>> t = [1, 2, 3, 3, 2, 4, 5, 6]
>>> s = [x for i, x in enumerate(t) if i == t.index(x)]
>>> s
[1, 2, 3, 4, 5, 6]
上述工作的原因是 index
方法仅返回元素的第一个索引。重复元素具有更高的索引。参考here:
list.index(x[, start[, end]]) 返回列表中第一个值为 x 的项目的从零开始的索引。如果没有此类项目,则引发 ValueError。
list.index
是一个线性时间运算,使您的解是二次的。
从列表中删除重复项的最佳方法是使用 python 中可用的 set() 函数,再次将该集合转换为列表
In [2]: some_list = ['a','a','v','v','v','c','c','d']
In [3]: list(set(some_list))
Out[3]: ['a', 'c', 'd', 'v']
您可以使用 set
删除重复项:
mylist = list(set(mylist))
但请注意,结果将是无序的。如果这是一个问题:
mylist.sort()
尝试使用集合:
import sets
t = sets.Set(['a', 'b', 'c', 'd'])
t1 = sets.Set(['a', 'b', 'c'])
print t | t1
print t - t1
一种更好的方法可能是,
import pandas as pd
myList = [1, 2, 3, 1, 2, 5, 6, 7, 8]
cleanList = pd.Series(myList).drop_duplicates().tolist()
print(cleanList)
#> [1, 2, 3, 5, 6, 7, 8]
并且订单仍然保留。
我已将各种建议与 perfplot 进行了比较。事实证明,如果输入数组没有重复元素,则所有方法或多或少都一样快,与输入数据是 Python 列表还是 NumPy 数组无关。
https://i.stack.imgur.com/bM7Qf.png
如果输入数组很大,但只包含一个唯一元素,则 set
、dict
和 np.unique
方法是恒定时间如果输入数据是一个列表。如果它是一个 NumPy 数组,np.unique
比其他替代方案快大约 10 倍。
https://i.stack.imgur.com/giJyZ.png
令我有些惊讶的是,这些也不是恒定时间的操作。
重现绘图的代码:
import perfplot
import numpy as np
import matplotlib.pyplot as plt
def setup_list(n):
# return list(np.random.permutation(np.arange(n)))
return [0] * n
def setup_np_array(n):
# return np.random.permutation(np.arange(n))
return np.zeros(n, dtype=int)
def list_set(data):
return list(set(data))
def numpy_unique(data):
return np.unique(data)
def list_dict(data):
return list(dict.fromkeys(data))
b = perfplot.bench(
setup=[
setup_list,
setup_list,
setup_list,
setup_np_array,
setup_np_array,
setup_np_array,
],
kernels=[list_set, numpy_unique, list_dict, list_set, numpy_unique, list_dict],
labels=[
"list(set(lst))",
"np.unique(lst)",
"list(dict(lst))",
"list(set(arr))",
"np.unique(arr)",
"list(dict(arr))",
],
n_range=[2 ** k for k in range(23)],
xlabel="len(array)",
equality_check=None,
)
# plt.title("input array = [0, 1, 2,..., n]")
plt.title("input array = [0, 0,..., 0]")
b.save("out.png")
b.show()
使用排序保留减少变体:
假设我们有列表:
l = [5, 6, 6, 1, 1, 2, 2, 3, 4]
减少变体(低效):
>>> reduce(lambda r, v: v in r and r or r + [v], l, [])
[5, 6, 1, 2, 3, 4]
5 倍更快但更复杂
>>> reduce(lambda r, v: v in r[1] and r or (r[0].append(v) or r[1].add(v)) or r, l, ([], set()))[0]
[5, 6, 1, 2, 3, 4]
解释:
default = (list(), set())
# user list to keep order
# use set to make lookup faster
def reducer(result, item):
if item not in result[1]:
result[0].append(item)
result[1].add(item)
return result
reduce(reducer, l, default)[0]
还有许多其他答案提出了不同的方法来做到这一点,但它们都是批处理操作,其中一些会丢弃原始订单。根据您的需要,这可能没问题,但是如果您想按每个值的第一个实例的顺序迭代这些值,并且您想即时删除重复项而不是一次全部删除,您可以使用这个生成器:
def uniqify(iterable):
seen = set()
for item in iterable:
if item not in seen:
seen.add(item)
yield item
这将返回一个生成器/迭代器,因此您可以在任何可以使用迭代器的地方使用它。
for unique_item in uniqify([1, 2, 3, 4, 3, 2, 4, 5, 6, 7, 6, 8, 8]):
print(unique_item, end=' ')
print()
输出:
1 2 3 4 5 6 7 8
如果您确实需要 list
,您可以这样做:
unique_list = list(uniqify([1, 2, 3, 4, 3, 2, 4, 5, 6, 7, 6, 8, 8]))
print(unique_list)
输出:
[1, 2, 3, 4, 5, 6, 7, 8]
seen = set(iterable); for item in seen: yield item
几乎肯定更快。 (我还没有尝试过这种具体情况,但这是我的猜测。)
您可以使用以下功能:
def rem_dupes(dup_list):
yooneeks = []
for elem in dup_list:
if elem not in yooneeks:
yooneeks.append(elem)
return yooneeks
例子:
my_list = ['this','is','a','list','with','dupicates','in', 'the', 'list']
用法:
rem_dupes(my_list)
['this', 'is', 'a', 'list', 'with', 'dupicates', 'in', 'the']
这个关心订单没有太多麻烦(OrderdDict 和其他人)。可能不是最 Pythonic 的方式,也不是最短的方式,但可以做到:
def remove_duplicates(item_list):
''' Removes duplicate items from a list '''
singles_list = []
for element in item_list:
if element not in singles_list:
singles_list.append(element)
return singles_list
list
一样重要); 2. 你的方法扩展性极差:它在 list
中的元素数量是二次方的。
使用设置:
a = [0,1,2,3,4,3,3,4]
a = list(set(a))
print a
使用独特的:
import numpy as np
a = [0,1,2,3,4,3,3,4]
a = np.unique(a).tolist()
print a
不使用集合
data=[1, 2, 3, 1, 2, 5, 6, 7, 8]
uni_data=[]
for dat in data:
if dat not in uni_data:
uni_data.append(dat)
print(uni_data)
Python 内置类型的魔力
在python中,处理这样的复杂情况非常容易,只需要python的内置类型即可。
让我告诉你怎么做!
方法一:一般情况
删除列表中重复元素并仍保持排序顺序的方式(1行代码)
line = [1, 2, 3, 1, 2, 5, 6, 7, 8]
new_line = sorted(set(line), key=line.index) # remove duplicated element
print(new_line)
你会得到结果
[1, 2, 3, 5, 6, 7, 8]
方法二:特例
TypeError: unhashable type: 'list'
处理不可散列的特殊情况(3行代码)
line=[['16.4966155686595', '-27.59776154691', '52.3786295521147']
,['16.4966155686595', '-27.59776154691', '52.3786295521147']
,['17.6508629295574', '-27.143305738671', '47.534955022564']
,['17.6508629295574', '-27.143305738671', '47.534955022564']
,['18.8051102904552', '-26.688849930432', '42.6912804930134']
,['18.8051102904552', '-26.688849930432', '42.6912804930134']
,['19.5504702331098', '-26.205884452727', '37.7709192714727']
,['19.5504702331098', '-26.205884452727', '37.7709192714727']
,['20.2929416861422', '-25.722717575124', '32.8500163147157']
,['20.2929416861422', '-25.722717575124', '32.8500163147157']]
tuple_line = [tuple(pt) for pt in line] # convert list of list into list of tuple
tuple_new_line = sorted(set(tuple_line),key=tuple_line.index) # remove duplicated element
new_line = [list(t) for t in tuple_new_line] # convert list of tuple into list of list
print (new_line)
你会得到结果:
[
['16.4966155686595', '-27.59776154691', '52.3786295521147'],
['17.6508629295574', '-27.143305738671', '47.534955022564'],
['18.8051102904552', '-26.688849930432', '42.6912804930134'],
['19.5504702331098', '-26.205884452727', '37.7709192714727'],
['20.2929416861422', '-25.722717575124', '32.8500163147157']
]
因为元组是可散列的,您可以轻松地在列表和元组之间转换数据
下面的代码很容易删除列表中的重复项
def remove_duplicates(x):
a = []
for i in x:
if i not in a:
a.append(i)
return a
print remove_duplicates([1,2,2,3,3,4])
它返回 [1,2,3,4]
list(set(..))
(超过 100 万次通过)将比该解决方案快 10 整秒 - 而这种方法大约需要 12 秒,list(set(..))
只需要大约 2 秒!
这是与回复中列出的其他人相比最快的 Pythonic 解决方案。
使用短路评估的实现细节允许使用足够快的列表理解。 visited.add(item)
始终返回 None
作为结果,其计算结果为 False
,因此 or
的右侧将始终是此类表达式的结果。
自己计时
def deduplicate(sequence):
visited = set()
adder = visited.add # get rid of qualification overhead
out = [adder(item) or item for item in sequence if item not in visited]
return out
不定期副业成功案例分享
[dict(d) for d in set([frozenset(i.items()) for i in t])]
dict.fromkeys()
在线性时间内创建一个字典,而list()
也会在线性时间内从中创建一个列表。