問題

假如，在有兩個(gè)大文件分別存儲(chǔ)了大量的數(shù)據(jù)，數(shù)據(jù)其實(shí)很簡(jiǎn)單就是一堆字符串，每行存儲(chǔ)一條，如何快速篩選出兩個(gè)文件的異同之處么，或者如何篩選出兩個(gè)文件中不同的元素呢？

剛開始我是通過最簡(jiǎn)單的方法，利用for循環(huán)去一個(gè)個(gè)的判斷，時(shí)間復(fù)雜度為m的n次冪，當(dāng)然當(dāng)文件數(shù)量級(jí)為十萬或者百萬時(shí)，速率簡(jiǎn)直慢到了極點(diǎn)。

解決方法

利用set()的different(方法)可快速比較，兩個(gè)set集合的不同之處，也就是對(duì)集合進(jìn)行數(shù)學(xué)運(yùn)算

假設(shè):數(shù)據(jù)1擁有858882條記錄，數(shù)據(jù)2有360029條記錄，快速挑選出數(shù)據(jù)2中而不存在與數(shù)據(jù)1中的數(shù)據(jù)

方法：先將兩個(gè)文件中的數(shù)據(jù)讀入兩個(gè)list：data1和data2，然后通過：set(data2).difference(set(data1))，獲取data2與data1的差集

下面為一個(gè)小的demo，可以看到近百萬級(jí)的數(shù)據(jù)，比較出差集也就需要1秒左右，效率不是一般的高

import timet1 = time.time()data1 = []for i in open('inDB.txt','r',encoding='utf-8'): i = i.strip('n') i = i.lower() data1.append(i)data2 = []for i in open('data/18年.filename','r',encoding='utf-8'): i = i.strip('n') i = i.lower() data2.append(i)newdata = set(data2).difference(set(data1))t2 = time.time()print(f'data1 length:t{len(data1)}')print(f'data2 length:t{len(data2)}')print(f'newdata length:t{len(newdata)}')print(f'time use:t{round(t2 - t1,3)}s')

list最多可以存放多少條數(shù)據(jù)呢？

python中l(wèi)ist最多可以存放多少條數(shù)據(jù)呢？

對(duì)于這個(gè)問題，有個(gè)網(wǎng)友調(diào)研了python的文檔，結(jié)果跟計(jì)算機(jī)的性能相關(guān)

64位機(jī)器：2^63-1=922337203685477580732位機(jī)器：2^31-1=2147483647import sysprint(sys.maxsize)print(pow(2,63)-1)92233720368547758079223372036854775807

集合set的操作

內(nèi)置函數(shù) 作用 add() 為集合添加元素 clear() 移除集合中的所有元素 copy() 拷貝一個(gè)集合 difference() 返回多個(gè)集合的差集 difference_update() 移除集合中的元素，該元素在指定的集合也存在。 discard() 刪除集合中指定的元素 intersection() 返回集合的交集 intersection_update() 返回集合的交集。 isdisjoint() 判斷兩個(gè)集合是否包含相同的元素，如果沒有返回 True，否則返回 False。 issubset() 判斷指定集合是否為該方法參數(shù)集合的子集。 issuperset() 判斷該方法的參數(shù)集合是否為指定集合的子集 pop() 隨機(jī)移除元素 remove() 移除指定元素 symmetric_difference() 返回兩個(gè)集合中不重復(fù)的元素集合。 symmetric_difference_update() 移除當(dāng)前集合中在另外一個(gè)指定集合相同的元素，并將另外一個(gè)指定集合中不同的元素插入到當(dāng)前集合中。 union() 返回兩個(gè)集合的并集 update() 給集合添加元素

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。