Risposte:
Utilizzare set()
per rimuovere i duplicati se tutti i valori sono hash :
>>> your_list = ['one', 'two', 'one']
>>> len(your_list) != len(set(your_list))
True
Consigliato solo per elenchi brevi :
any(thelist.count(x) > 1 for x in thelist)
Evitare Non utilizzare su una lunga lista - si può prendere tempo proporzionale alla piazza del numero di elementi nella lista!
Per elenchi più lunghi con elementi cancellabili (stringhe, numeri, ecc.):
def anydup(thelist):
seen = set()
for x in thelist:
if x in seen: return True
seen.add(x)
return False
Se i tuoi articoli non sono cancellabili (elenchi, dicts, ecc.) Diventa più peloso, anche se potrebbe essere ancora possibile ottenere O (N logN) se almeno sono comparabili. Ma devi conoscere o testare le caratteristiche degli oggetti (lavabili o no, confrontabili o no) per ottenere le migliori prestazioni possibili - O (N) per gli hashble, O (N log N) per gli oggetti comparabili non hash, altrimenti dipende da O (N al quadrato) e non c'è nulla che si possa fare al riguardo :-(.
all
conteggi 1). Un dict con tutti i valori True, che citi anche tu, è un imitazione ridicolmente, inutilmente gonfio di un set
, senza alcun valore aggiunto. Big-O non è tutto in programmazione.
Questo è vecchio, ma le risposte qui mi hanno portato a una soluzione leggermente diversa. Se sei disposto ad abusare delle comprensioni, puoi ottenere un corto circuito in questo modo.
xs = [1, 2, 1]
s = set()
any(x in s or s.add(x) for x in xs)
# You can use a similar approach to actually retrieve the duplicates.
s = set()
duplicates = set(x for x in xs if x in s or s.add(x))
Se sei appassionato di stile di programmazione funzionale, ecco una funzione utile, un codice auto-documentato e testato che utilizza doctest .
def decompose(a_list):
"""Turns a list into a set of all elements and a set of duplicated elements.
Returns a pair of sets. The first one contains elements
that are found at least once in the list. The second one
contains elements that appear more than once.
>>> decompose([1,2,3,5,3,2,6])
(set([1, 2, 3, 5, 6]), set([2, 3]))
"""
return reduce(
lambda (u, d), o : (u.union([o]), d.union(u.intersection([o]))),
a_list,
(set(), set()))
if __name__ == "__main__":
import doctest
doctest.testmod()
Da lì puoi testare l'unicity controllando se il secondo elemento della coppia restituita è vuoto:
def is_set(l):
"""Test if there is no duplicate element in l.
>>> is_set([1,2,3])
True
>>> is_set([1,2,1])
False
>>> is_set([])
True
"""
return not decompose(l)[1]
Si noti che ciò non è efficace poiché si sta costruendo esplicitamente la decomposizione. Ma lungo la linea di utilizzo di ridurre, puoi arrivare a qualcosa di equivalente (ma leggermente meno efficiente) per rispondere a 5:
def is_set(l):
try:
def func(s, o):
if o in s:
raise Exception
return s.union([o])
reduce(func, l, set())
return True
except:
return False
Ho pensato che sarebbe stato utile confrontare i tempi delle diverse soluzioni presentate qui. Per questo ho usato la mia biblioteca simple_benchmark
:
Quindi, in questo caso, la soluzione di Denis Otkidach è la più veloce.
Alcuni degli approcci mostrano anche una curva molto più ripida, questi sono gli approcci che scalano in scala quadratica con il numero di elementi (prima soluzione di Alex Martellis, wjandrea ed entrambe le soluzioni di Xavier Decorets). È anche importante ricordare che la soluzione Panda di Keiku ha un fattore costante molto grande. Ma per elenchi più grandi si avvicina quasi alle altre soluzioni.
E nel caso in cui il duplicato si trovi nella prima posizione. Questo è utile per vedere quali soluzioni sono in corto circuito:
Qui diversi approcci non vanno in corto circuito: Kaiku, Frank, Xavier_Decoret (prima soluzione), Turn, Alex Martelli (prima soluzione) e l'approccio presentato da Denis Otkidach (che è stato il più veloce nel caso del no-duplicato).
Ho incluso una funzione dalla mia libreria qui: iteration_utilities.all_distinct
che può competere con la soluzione più veloce nel caso di non duplicati e si esibisce in tempo costante per il caso di duplicato all'inizio (anche se non come il più veloce).
Il codice per il benchmark:
from collections import Counter
from functools import reduce
import pandas as pd
from simple_benchmark import BenchmarkBuilder
from iteration_utilities import all_distinct
b = BenchmarkBuilder()
@b.add_function()
def Keiku(l):
return pd.Series(l).duplicated().sum() > 0
@b.add_function()
def Frank(num_list):
unique = []
dupes = []
for i in num_list:
if i not in unique:
unique.append(i)
else:
dupes.append(i)
if len(dupes) != 0:
return False
else:
return True
@b.add_function()
def wjandrea(iterable):
seen = []
for x in iterable:
if x in seen:
return True
seen.append(x)
return False
@b.add_function()
def user(iterable):
clean_elements_set = set()
clean_elements_set_add = clean_elements_set.add
for possible_duplicate_element in iterable:
if possible_duplicate_element in clean_elements_set:
return True
else:
clean_elements_set_add( possible_duplicate_element )
return False
@b.add_function()
def Turn(l):
return Counter(l).most_common()[0][1] > 1
def getDupes(l):
seen = set()
seen_add = seen.add
for x in l:
if x in seen or seen_add(x):
yield x
@b.add_function()
def F1Rumors(l):
try:
if next(getDupes(l)): return True # Found a dupe
except StopIteration:
pass
return False
def decompose(a_list):
return reduce(
lambda u, o : (u[0].union([o]), u[1].union(u[0].intersection([o]))),
a_list,
(set(), set()))
@b.add_function()
def Xavier_Decoret_1(l):
return not decompose(l)[1]
@b.add_function()
def Xavier_Decoret_2(l):
try:
def func(s, o):
if o in s:
raise Exception
return s.union([o])
reduce(func, l, set())
return True
except:
return False
@b.add_function()
def pyrospade(xs):
s = set()
return any(x in s or s.add(x) for x in xs)
@b.add_function()
def Alex_Martelli_1(thelist):
return any(thelist.count(x) > 1 for x in thelist)
@b.add_function()
def Alex_Martelli_2(thelist):
seen = set()
for x in thelist:
if x in seen: return True
seen.add(x)
return False
@b.add_function()
def Denis_Otkidach(your_list):
return len(your_list) != len(set(your_list))
@b.add_function()
def MSeifert04(l):
return not all_distinct(l)
E per gli argomenti:
# No duplicate run
@b.add_arguments('list size')
def arguments():
for exp in range(2, 14):
size = 2**exp
yield size, list(range(size))
# Duplicate at beginning run
@b.add_arguments('list size')
def arguments():
for exp in range(2, 14):
size = 2**exp
yield size, [0, *list(range(size)]
# Running and plotting
r = b.run()
r.plot()
Di recente ho risposto a una domanda correlata per stabilire tutti i duplicati in un elenco, utilizzando un generatore. Ha il vantaggio che se usato solo per stabilire "se c'è un duplicato", devi solo ottenere il primo oggetto e il resto può essere ignorato, che è l'ultimo collegamento.
Questo è un approccio basato sul set interessante che ho adattato direttamente da Moooeeeep :
def getDupes(l):
seen = set()
seen_add = seen.add
for x in l:
if x in seen or seen_add(x):
yield x
Di conseguenza, sarebbe un elenco completo di duplicati list(getDupes(etc))
. Per testare semplicemente "if" c'è un duplicato, dovrebbe essere racchiuso come segue:
def hasDupes(l):
try:
if getDupes(l).next(): return True # Found a dupe
except StopIteration:
pass
return False
Questo si adatta bene e fornisce tempi di funzionamento coerenti ovunque il duplicato sia nell'elenco - ho testato con elenchi fino a 1 milione di voci. Se sai qualcosa sui dati, in particolare, è probabile che i duplicati vengano visualizzati nella prima metà o altre cose che ti consentano di distorcere i tuoi requisiti, come la necessità di ottenere i duplicati effettivi, allora ci sono un paio di localizzatori di duplicati davvero alternativi che potrebbe sovraperformare. I due che raccomando sono ...
Approccio basato su dict semplice, molto leggibile:
def getDupes(c):
d = {}
for i in c:
if i in d:
if d[i]:
yield i
d[i] = False
else:
d[i] = True
Sfrutta itertools (essenzialmente un ifilter / izip / tee) nell'elenco ordinato, molto efficace se stai ottenendo tutti i duplicati anche se non così veloce da ottenere solo il primo:
def getDupes(c):
a, b = itertools.tee(sorted(c))
next(b, None)
r = None
for k, g in itertools.ifilter(lambda x: x[0]==x[1], itertools.izip(a, b)):
if k != r:
yield k
r = k
Questi sono stati i migliori esecutori dagli approcci che ho provato per l' elenco full dupe , con il primo dupe che si verifica ovunque in un elenco di elementi di 1 m dall'inizio alla metà. È stato sorprendente quanto poco sia stato aggiunto il passaggio di ordinamento. Il tuo chilometraggio può variare, ma ecco i miei risultati specifici a tempo:
Finding FIRST duplicate, single dupe places "n" elements in to 1m element array
Test set len change : 50 - . . . . . -- 0.002
Test in dict : 50 - . . . . . -- 0.002
Test in set : 50 - . . . . . -- 0.002
Test sort/adjacent : 50 - . . . . . -- 0.023
Test sort/groupby : 50 - . . . . . -- 0.026
Test sort/zip : 50 - . . . . . -- 1.102
Test sort/izip : 50 - . . . . . -- 0.035
Test sort/tee/izip : 50 - . . . . . -- 0.024
Test moooeeeep : 50 - . . . . . -- 0.001 *
Test iter*/sorted : 50 - . . . . . -- 0.027
Test set len change : 5000 - . . . . . -- 0.017
Test in dict : 5000 - . . . . . -- 0.003 *
Test in set : 5000 - . . . . . -- 0.004
Test sort/adjacent : 5000 - . . . . . -- 0.031
Test sort/groupby : 5000 - . . . . . -- 0.035
Test sort/zip : 5000 - . . . . . -- 1.080
Test sort/izip : 5000 - . . . . . -- 0.043
Test sort/tee/izip : 5000 - . . . . . -- 0.031
Test moooeeeep : 5000 - . . . . . -- 0.003 *
Test iter*/sorted : 5000 - . . . . . -- 0.031
Test set len change : 50000 - . . . . . -- 0.035
Test in dict : 50000 - . . . . . -- 0.023
Test in set : 50000 - . . . . . -- 0.023
Test sort/adjacent : 50000 - . . . . . -- 0.036
Test sort/groupby : 50000 - . . . . . -- 0.134
Test sort/zip : 50000 - . . . . . -- 1.121
Test sort/izip : 50000 - . . . . . -- 0.054
Test sort/tee/izip : 50000 - . . . . . -- 0.045
Test moooeeeep : 50000 - . . . . . -- 0.019 *
Test iter*/sorted : 50000 - . . . . . -- 0.055
Test set len change : 500000 - . . . . . -- 0.249
Test in dict : 500000 - . . . . . -- 0.145
Test in set : 500000 - . . . . . -- 0.165
Test sort/adjacent : 500000 - . . . . . -- 0.139
Test sort/groupby : 500000 - . . . . . -- 1.138
Test sort/zip : 500000 - . . . . . -- 1.159
Test sort/izip : 500000 - . . . . . -- 0.126
Test sort/tee/izip : 500000 - . . . . . -- 0.120 *
Test moooeeeep : 500000 - . . . . . -- 0.131
Test iter*/sorted : 500000 - . . . . . -- 0.157
.next()
chiamata nel secondo blocco di codice non funziona su Python 3.x. Penso che next(getDupes(l))
dovrebbe funzionare su tutte le versioni di Python, quindi potrebbe avere senso cambiarlo.
ifilter
e ìzip
può essere semplicemente sostituito dal built-in filter
e zip
in Python 3.x.
Un altro modo per farlo in modo succinto è con Counter .
Per determinare se ci sono duplicati nell'elenco originale:
from collections import Counter
def has_dupes(l):
# second element of the tuple has number of repetitions
return Counter(l).most_common()[0][1] > 1
Oppure per ottenere un elenco di elementi con duplicati:
def get_dupes(l):
return [k for k, v in Counter(l).items() if v > 1]
Ho trovato questo per fare le migliori prestazioni perché cortocircuita l'operazione quando il primo duplicato ha trovato, quindi questo algoritmo ha complessità di tempo e spazio O (n) dove n è la lunghezza della lista:
def has_duplicated_elements(iterable):
""" Given an `iterable`, return True if there are duplicated entries. """
clean_elements_set = set()
clean_elements_set_add = clean_elements_set.add
for possible_duplicate_element in iterable:
if possible_duplicate_element in clean_elements_set:
return True
else:
clean_elements_set_add( possible_duplicate_element )
return False
Una soluzione più semplice è la seguente. Basta controllare Vero / Falso con il .duplicated()
metodo Panda e quindi prendere la somma. Vedere anche la documentazione di pandas.Series.duplicated - pandas 0.24.1
import pandas as pd
def has_duplicated(l):
return pd.Series(l).duplicated().sum() > 0
print(has_duplicated(['one', 'two', 'one']))
# True
print(has_duplicated(['one', 'two', 'three']))
# False
Se l'elenco contiene elementi non lavabili, puoi utilizzare la soluzione di Alex Martelli ma con un elenco anziché un set, sebbene sia più lento per input più grandi: O (N ^ 2).
def has_duplicates(iterable):
seen = []
for x in iterable:
if x in seen:
return True
seen.append(x)
return False
Ho usato l'approccio di pyrospade, per la sua semplicità, e l'ho modificato leggermente in un breve elenco creato dal registro di Windows senza distinzione tra maiuscole e minuscole.
Se la stringa di valore PATH non elaborata viene suddivisa in percorsi individuali, è possibile rimuovere tutti i percorsi 'null' (stringhe vuote o solo per gli spazi bianchi) utilizzando:
PATH_nonulls = [s for s in PATH if s.strip()]
def HasDupes(aseq) :
s = set()
return any(((x.lower() in s) or s.add(x.lower())) for x in aseq)
def GetDupes(aseq) :
s = set()
return set(x for x in aseq if ((x.lower() in s) or s.add(x.lower())))
def DelDupes(aseq) :
seen = set()
return [x for x in aseq if (x.lower() not in seen) and (not seen.add(x.lower()))]
Il PERCORSO originale ha sia voci "nulle" che duplicati a scopo di test:
[list] Root paths in HKLM\SYSTEM\CurrentControlSet\Control\Session Manager\Environment:PATH[list] Root paths in HKLM\SYSTEM\CurrentControlSet\Control\Session Manager\Environment
1 C:\Python37\
2
3
4 C:\Python37\Scripts\
5 c:\python37\
6 C:\Program Files\ImageMagick-7.0.8-Q8
7 C:\Program Files (x86)\poppler\bin
8 D:\DATA\Sounds
9 C:\Program Files (x86)\GnuWin32\bin
10 C:\Program Files (x86)\Intel\iCLS Client\
11 C:\Program Files\Intel\iCLS Client\
12 D:\DATA\CCMD\FF
13 D:\DATA\CCMD
14 D:\DATA\UTIL
15 C:\
16 D:\DATA\UHELP
17 %SystemRoot%\system32
18
19
20 D:\DATA\CCMD\FF%SystemRoot%
21 D:\DATA\Sounds
22 %SystemRoot%\System32\Wbem
23 D:\DATA\CCMD\FF
24
25
26 c:\
27 %SYSTEMROOT%\System32\WindowsPowerShell\v1.0\
28
I percorsi null sono stati rimossi, ma hanno ancora dei duplicati, ad esempio (1, 3) e (13, 20):
[list] Null paths removed from HKLM\SYSTEM\CurrentControlSet\Control\Session Manager\Environment:PATH
1 C:\Python37\
2 C:\Python37\Scripts\
3 c:\python37\
4 C:\Program Files\ImageMagick-7.0.8-Q8
5 C:\Program Files (x86)\poppler\bin
6 D:\DATA\Sounds
7 C:\Program Files (x86)\GnuWin32\bin
8 C:\Program Files (x86)\Intel\iCLS Client\
9 C:\Program Files\Intel\iCLS Client\
10 D:\DATA\CCMD\FF
11 D:\DATA\CCMD
12 D:\DATA\UTIL
13 C:\
14 D:\DATA\UHELP
15 %SystemRoot%\system32
16 D:\DATA\CCMD\FF%SystemRoot%
17 D:\DATA\Sounds
18 %SystemRoot%\System32\Wbem
19 D:\DATA\CCMD\FF
20 c:\
21 %SYSTEMROOT%\System32\WindowsPowerShell\v1.0\
E infine, i duplicati sono stati rimossi:
[list] Massaged path list from in HKLM\SYSTEM\CurrentControlSet\Control\Session Manager\Environment:PATH
1 C:\Python37\
2 C:\Python37\Scripts\
3 C:\Program Files\ImageMagick-7.0.8-Q8
4 C:\Program Files (x86)\poppler\bin
5 D:\DATA\Sounds
6 C:\Program Files (x86)\GnuWin32\bin
7 C:\Program Files (x86)\Intel\iCLS Client\
8 C:\Program Files\Intel\iCLS Client\
9 D:\DATA\CCMD\FF
10 D:\DATA\CCMD
11 D:\DATA\UTIL
12 C:\
13 D:\DATA\UHELP
14 %SystemRoot%\system32
15 D:\DATA\CCMD\FF%SystemRoot%
16 %SystemRoot%\System32\Wbem
17 %SYSTEMROOT%\System32\WindowsPowerShell\v1.0\
def check_duplicates(my_list):
seen = {}
for item in my_list:
if seen.get(item):
return True
seen[item] = True
return False