我有两个项目标签列表(来自集群),它们表示相同的项目,但分配了不同的(任意)标签。一个例子:
labels1 = [1, 1, 2, 2, 3, 3, 3, 1, 1]
labels2 = [0, 0, 1, 1, 4, 4, 4, 0, 0]
每个列表中的结构都是相同的,因此找到的簇除了标签之外是相同的。通过按标签首次出现的顺序重命名标签,可以将它们转换为以下列表。
renamed = [0, 0, 1, 1, 2, 2, 2, 0, 0]
我正在寻找一种检查此属性的方法,因此问题归结为在下面的relabel
函数中找到一种有效的重新标记方法。
labels1 = [1, 1, 2, 2, 3, 3, 3, 1, 1]
labels2 = [0, 0, 1, 1, 4, 4, 4, 0, 0]
def relabel(labels):
"""Rename list of labels to the order they first appear in the list.
"""
seen = []
renamed = []
for l in labels:
if l not in seen:
seen.append(l)
renamed.append(seen.index(l))
return renamed
assert relabel(labels1) == relabel(labels2)
我所做的工作,我只是想知道是否有一种我所缺少的更有效的方法来进行比较。例如,如果列表很大,使用生成器表达式会有帮助吗?
您的原始函数没有返回结果,我很惊讶您说它有效。我们可以在这里优化一些东西:
- 我们将使用字典
seen
而不是列表,因为list.index
对于O(n)是昂贵的 seen
会将项目映射到它们的新名称,这只是字典的当前长度,但len
使用O(1)的成本更低。此外,与x in some_list
的O(n)相比,x in some_dict
也是O(1)- 最后,我们将把您的函数重写为生成器,并用
all
和izip
检查生成器表达式中两个relabel的相等性。CCD_ 10将在第一次失配时停止
这是代码:
from itertools import izip
def relabel(labels):
seen = {}
for l in labels:
if l not in seen:
seen[l] = len(seen)
yield seen[l]
def compare_labels(l1,l2):
if len(l1) != len(l2):
return False
l1 = relabel(l1)
l2 = relabel(l2)
return all(x==y for x,y in izip(l1,l2))
edit:我刚刚意识到,只使用izip
而不是izip_longest
,并提前检查长度更好。如果确保传递给compare_labels
的两个标签始终具有相同的长度,则可以不进行此检查。
我看到了两件可以改进的事情。首先,由于所看到的标签使用list
,因此l not in seen
和seen.index(l)
操作需要O(n)
时间。您可以使用dict
而不是list
。
然后,正如您自己建议的那样,您可以返回一个带有yield
关键字的生成器,而不是返回一个列表。
def relabel(labels):
"""
Rename list of labels to the order they first appear in the list.
"""
seen = dict()
for l in labels:
if l not in seen:
seen[l] = len(seen)
yield seen[l]
assert all(x == y for x, y in zip(relabel(labels1), relabel(labels2)))
除上述答案外,您不需要重新标记两次,也不需要浏览整个列表(您可以在第一次不匹配时停止)。如果目标是验证这个属性,那么:
def verify(labels1, labels2):
seen = {}
used = {}
for (x, y) in izip_longest(labels1, labels2):
if x == None or y == None: return False
if seen.has_key(x):
if seen[x] != y: return False
else:
if used.has_key(y): return False
seen[x] = y
used[y] = True
return True
该算法在O(min(len(labels1),len(labels2))中工作,并且它使用O(num(labels1)+num(labels2))内存。
如果标签集是有限的(最好是小的),那么您可以通过使用位运算来加快在used
集中查找值的速度(这不会改变渐进速度,但在实践中可能会导致大的增益)。