Algoritmo di ordinamento per Excel / SharedStrings

In Excel, "comprimono" le stringhe in una mappatura numerica (anche se non sono sicuro che la parola compressa sia corretta in questo caso). Ecco un esempio mostrato di seguito:

Mentre questo aiuta a ridurre le dimensioni complessive del file e il footprint di memoria, in che modo Excel esegue l'ordinamento su un campo stringa? Ogni singola stringa dovrebbe passare attraverso il mapping di ricerca: e in tal caso, ciò non aumenterebbe notevolmente il costo di / rallentando facendo un ordinamento su un campo di stringa (e se ci fossero valori 1M, le ricerche chiave 1M non sarebbero banale). Due domande su questo:

1. Le stringhe condivise vengono utilizzate all'interno dell'applicazione Excel stessa o solo durante il salvataggio dei dati?
2. Quale sarebbe un algoritmo di esempio da ordinare sul campo allora? Qualsiasi linguaggio va bene (c, c #, c ++, python).

Non riesco a trovare esattamente il modo in cui Excel memorizza le celle con SharedStringTableelementi in memoria in fase di esecuzione, ma la loro memorizzazione come indice dell'elemento SharedStringTablerichiede solo una ulteriore discrezione per accedervi, supponendo che gli elementi siano memorizzati come un array. Quindi la mia ipotesi è che sia così. Questo è il modo più semplice e l'unico modo per renderlo più veloce è avere una rappresentazione runtime SharedStringTablegià ordinata per elementi. In tal caso, l'ordinamento per indice è equivalente all'ordinamento per valore. Tale approccio, tuttavia, rende costosa l'operazione di inserimento come quando una nuova stringa viene inserita al centro della tabella, tutti gli indici più grandi di quanto dovrebbero essere incrementati e il numero di tali celle nel documento può essere molto grande, fino a tutte le celle riferite a SharedStringTable.

Se le celle contengono indici uguali a quelli del file, ecco come si ordinerebbero le celle rappresentate dal columnValuevettore in base alle stringhe che stanno indicando memorizzate nel sharedStringsvettore (in C ++ poiché hai detto che non c'è differenza) al costo di 2 extra dereferenze per operazione di confronto:

// sort indexes from columnValue based on comparing values in sharedStrings
sort(columnValue.begin(), columnValue.end(), 
     [&sharedStrings](size_t i1, size_t i2){return sharedStrings[i1] < sharedStrings[i2];});

Non era nell'OP, ma l' SharedStringTableoperazione di ricerca inversa è lenta e la memorizzazione nella cache di elementi in un dizionario aiuta.

Tabella stringhe condivise di Microsoft Excel

La tabella delle stringhe condivise è e lo standard Open XML, come definito dalla norma ISO - ISO / IEC 29500-1: 2016 (E)

Definizione ufficiale di stringhe condivise (citata dal documento ISO)

Tabella delle stringhe condivisa

I valori di stringa possono essere memorizzati direttamente all'interno degli elementi delle celle del foglio di calcolo; tuttavia, la memorizzazione dello stesso valore all'interno di più elementi di cella può comportare Parti di fogli di lavoro molto grandi, con conseguente possibile riduzione delle prestazioni. La tabella di stringhe condivisa è un elenco indicizzato di valori di stringa, condiviso nella cartella di lavoro, che consente alle implementazioni di memorizzare i valori una sola volta.

Lo standard ISO sulle stringhe condivise può essere scaricato da

https://standards.iso.org/ittf/PubliclyAvailableStandards/c071691_ISO_IEC_29500-1_2016.zip

Risposte alle domande su questo argomento

Domanda 1: le stringhe condivise vengono utilizzate all'interno dell'applicazione Excel stessa o solo durante il salvataggio dei dati?

Risposta: Le stringhe condivise vengono utilizzate da Excel solo al momento del salvataggio del documento, IE, solo allo scopo di archiviare il foglio di calcolo come file nella memoria.

Tuttavia, quando il file viene aperto per la visualizzazione, le celle vengono popolate con i valori di stringa effettivi estratti dalla tabella delle stringhe condivise.

-

Domanda 2: quale sarebbe allora un algoritmo di esempio da ordinare sul campo? Qualsiasi linguaggio va bene (c, c #, c ++, python).

Risposta: Per un'applicazione come Excel, suppongo che una speciale variante proprietaria dell'ordinamento rapido sia l'algoritmo più probabile da utilizzare per l'ordinamento sui valori di stringa.

Excel ha un limite di 1.048.576 righe. Per queste dimensioni, l'ordinamento rapido è sicuramente un vincitore. L'ordinamento rapido può produrre risultati molto efficienti per set di dati di questa portata.

Ecco il link all'implementazione di Quick Sort in C ++ per l'ordinamento delle stringhe:

http://www.cplusplus.com/forum/beginner/101599/