Python list 数组 4 千万个元素去重、处理

[v2mo]

如题
主要问题：千万级别处理起来会不会崩溃？

主要是去重

谢谢

[jdhao]

自己做一个然后试一下不就知道了

[yedanten]

得看业务情况啊，不知道你后续的处理是要做哪些操作，否则只是去重，最简单粗暴的转换为 set 就完事了

[shuax]

推荐用 64 位 Python，加内存就是了。

[lithiumii]

list(set(li)
崩溃了就是你电脑不行！（滑稽

[Takamine]

既然都能打算一次性把 4000 个元素放到一个 list 里面操作，不如就直接再导入 Excel 去重:doge:。

[chengxiao]

这种建议直接上 MongoDB 然后设置索引唯一去重

[nutting]

内存里的操作怕啥，比数据库强多了，随便搞

[ipwx]

In [4]: N = 10**8

In [5]: arr = np.random.randint(0, N, size=N)

In [6]: len(arr)
Out[6]: 100000000

In [7]: %timeit set(arr)
36 s ± 122 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

给你一个时间作参考。。。

[ytmsdy]

先分段排序，然后去重。

[v2mo]

几千万的数据，一台电脑运行，有可行性吗？

[wtks1]

@Takamine excel 处理不了百万以上的行数吧

[Universe]

看精度要求，不高的话布隆过滤器可以一试

[pcdRob]

几千万而已 洒洒水啦

[fuxiuyin]

首先，这 4 千万个元素肯定是要便利一遍的，除非你的数据有什么特殊的规律。
其次，要看这 4 千万存在哪，内存？文件？网络？
最后，如果没有优化空间不可避免的要对 4 千万数据过一遍那就看想优化内存还是想优化时间了，不过最快可能也就是楼上 8 楼给的。

[mengzhuo]

4 千万 uint32，最大也就 40M 搞定了…… O （ N ）操作而已

[dji38838c]

这样都不肯用 pandas 吗?

[ruandao]

布隆过滤器

[ruandao]

想了想， 好像不需要

千万，也就 MB 级别吧

[janxin]

数据都不说一下怎么分情况处理。

这种统一建议 list(set(data))

[Takamine]

@wtks1 你也说了是行数，要是每个元素都写进去单个 cell 里面不就够啦。:doge:

[misaka19000]

不是，你也说一下你每条数据多大啊，每条数据 1kb 和每条数据 10mb 当然不一样

[vincenttone]

既然 4 千万个元素能放进数组里，说明你内存就够用，去重就是了，就看算法对内存的使用和耗费的 cpu 时间了。

[flyingghost]

4kw 个 int，160M，可以直接放内存。
设计一个分布尽可能均匀的散列函数（这一步不太确定我不是搞数学的。瞎拍一个 md5(obj)//4kw 的算法不知道效果怎么样？）
遍历每个 obj 求 hash，把 obj 的 index 放在对应的桶里。
如果桶里已有元素（ hash 冲突），单独放在另一个冲突列表里。
对于冲突列表里的每个冲突 hash，遍历并精确对比每个 obj，从源数据集删除完全相同的 obj。

稍微注意一下 getObj(index)的 O(1)复杂度，理论上可以应对任意量的数据了。

[princelai]

@ipwx #8 只替换最后一步

%timeit np.unique(arr)
11.4 s ± 401 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

[dyllanwli]

https://stackoverflow.com/questions/39033565/how-to-remove-duplicates-of-huge-lists-of-objects-in-python 先贴过来 还没看

[scalaer]

看看 bitmap

[lihongjie0209]

@mggis0or1 bitmap 对于非数字型的元素无法支持, 还是用布隆过滤器吧

[reus]

你这水平，处理什么都会崩溃
自己不会试验吗
要问人，又不说清楚细节

[limuyan44]

讨论这么多写个代码就这么难吗也没几行啊

[NullErro]

想在内存跑的话，简单直接暴力的就是用 set, 推荐布隆过滤器；每个元素比较大的话可以考虑 mr，spark 或者其他分布式计算框架

[arrow8899]

首先你要清楚数据的特征啊 整形？浮点数？短字符串？超长字符串？数据分布？重复概率？这些都会影响去重的效率！！！
V2EX √
动手实践 ×

[changs1986]

bloomfilter ?

[thedog]

@Takamine excel 最大 100 万条记录吧。

[thedog]

bitmap+1

[shm7]

试试 numpy 吧，python list 遍历会检查类型，每次都会。

[Hamniba]

@flyingghost #23
你这个就是 Hash Table 的思想，getObj(index) 是 O(1)，但是求一遍 hash 还是得 O(n) 啊。

[smdbh]

天天 4 千万，和每月，每年是有区别的。
但是，其实也没多大区别

[Gooeeu]

Bloom Filter

[sazima]

list(set(item))

[sazima]

 粗略的感觉,耗时不到一秒... 也可能不到 0.5.

[sazima]

不好意思我的数太简单了 -__-

[skinny]

没有元素类型、数据大小信息，更没有电脑内存的信息，就直接问 Python 能不能，别人就只能瞎猜随便说了。

还有，千万不要用 C、C++、C#，甚至 Java 之类的语言的设计和使用经验来估计 Python 的内存用量，到时候如果楼主的电脑内存不够大，估计要死机。