フラットリストに重複があるかどうかを確認するにはどうすればよいですか？
たとえば、リスト['one', 'two', 'one']を指定すると、アルゴリズムはTrueを返す必要がありますが、['one', 'two', 'three']を指定すると、Falseを返す必要があります。
すべての値がハッシュ可能の場合、set()を使用して重複を削除します。
>>> your_list = ['one', 'two', 'one']
>>> len(your_list) != len(set(your_list))
True
shortリストのみに推奨：
any(thelist.count(x) > 1 for x in thelist)
not長いリストで使用してください-リスト内の項目数のsquareに比例して時間がかかります！
ハッシュ可能なアイテム（文字列、数字、＆c）を含む長いリストの場合：
def anydup(thelist):
seen = set()
for x in thelist:
if x in seen: return True
seen.add(x)
return False
アイテムがハッシュ可能でない場合（サブリスト、辞書など）、より毛並みが良くなりますが、少なくとも同等であればO（N logN）を取得することは可能かもしれません。ただし、可能な限り最高のパフォーマンスを得るには、アイテムの特性（ハッシュ可能かどうか、比較可能かどうか）を知っているかテストする必要があります-ハッシュ可能の場合はO(N)、ハッシュ可能の場合はO（N log N）ハッシュ不可能な同等物、それ以外の場合はO（Nの2乗）までであり、誰もそれについて何もできません:-(。
これは古いですが、ここでの答えは私にわずかに異なる解決策をもたらしました。理解力を乱用する場合は、この方法で短絡することができます。
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))
関数型プログラミングスタイルが好きな人のために、 doctest を使用して自己文書化されテストされた便利な関数を紹介します。
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 __== "__main__":
import doctest
doctest.testmod()
そこから、返されたペアの2番目の要素が空であるかどうかを確認することにより、ユニシティをテストできます。
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]
分解を明示的に構築しているため、これは効率的ではないことに注意してください。しかし、reduceを使用すると、同等の（ただしわずかに効率が劣る）ものを見つけて5に答えることができます。
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
私は最近、ジェネレーターを使用して、リスト内の すべての重複を確立する に関連する質問に答えました。 「重複がある場合」を確立するためだけに使用する場合は、最初のアイテムを取得するだけで、残りは無視できるという利点があります。これは究極のショートカットです。
これは、 moooeeeep から直接適用した興味深いセットベースのアプローチです。
def getDupes(l):
seen = set()
seen_add = seen.add
for x in l:
if x in seen or seen_add(x):
yield x
したがって、重複の完全なリストはlist(getDupes(etc))になります。デュープがあるかどうかを単にテストするには、次のようにラップする必要があります。
def hasDupes(l):
try:
if getDupes(c).next(): return True # Found a dupe
except StopIteration:
pass
return False
これは拡張性に優れており、リスト内のどの場所でも一貫した動作時間を提供します-最大1mエントリのリストでテストしました。データについて何かを知っている場合、具体的には、前半に重複が表示される可能性が高い場合、または実際の重複を取得する必要があるなど、要件を歪める可能性のある他のものがあれば、いくつかの本当に代替の重複ロケーターがありますそれはパフォーマンスが向上する可能性があります。私がお勧めする2つは...
シンプルなdictベースのアプローチ、非常に読みやすい：
def getDupes(c):
d = {}
for i in c:
if i in d:
if d[i]:
yield i
d[i] = False
else:
d[i] = True
ソートされたリストでitertools（基本的にifilter/izip/tee）を活用します。すべての重複を取得する場合は非常に効率的ですが、最初の取得だけでは速くありません。
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
これらは full dupe list で試したアプローチの中で最高のパフォーマンスを発揮し、最初のdupeは最初から1mの要素リストのどこからでも発生しました。ソート手順によって追加されるオーバーヘッドがどれほど少ないかは驚くべきことでした。あなたの走行距離は異なる場合がありますが、ここに私の特定のタイミングの結果があります：
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
これを簡潔に行う別の方法は、 Counter を使用することです。
元のリストに重複があるかどうかを判断するには：
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
または、重複しているアイテムのリストを取得するには：
def get_dupes(l):
return [k for k, v in Counter(l).items() if v > 1]
ここで紹介するさまざまなソリューションのタイミングを比較することは有益だと思いました。このために、私は自分のライブラリを使用しました simple_benchmark ：
確かにこの場合、 Denis Otkidach からの解決策が最速です。
アプローチの中には、より急峻な曲線を示すものもあります。これらは、要素の数に応じて2次にスケーリングするアプローチです（Alex Martellisの最初のソリューション、wjandrea、およびXavier Decoretsの両方のソリューション）。また、重要なことは、Keikuのpandasソリューションには非常に大きな一定の要因があることです。しかし、より大きなリストの場合、他のソリューションにほぼ追いついています。
重複が最初の位置にある場合。これは、短絡しているソリューションを確認するのに役立ちます。
ここで、いくつかのアプローチは短絡しません：Kaiku、Frank、Xavier_Decoret（最初のソリューション）、Turn、Alex Martelli（最初のソリューション）、およびDenis Otkidachによって提示されたアプローチ（重複しない場合で最速でした）。
ここに自分のライブラリの関数を含めました： iteration_utilities.all_distinct これは、重複なしの場合は最速のソリューションと競合でき、開始時の複製の場合は一定時間実行します（ただし、最速ではありません） ）。
ベンチマークのコード：
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)
そして引数について：
# 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()
最初の複製が見つかったときに操作を短絡するため、これが最高のパフォーマンスを発揮することがわかりました。このアルゴリズムには時間と空間の複雑さがありますO(n)ここで、nはリストの長さです：
def has_duplicated_elements(self, 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
簡単にするために、パイロスペードのアプローチを使用し、大文字と小文字を区別しないWindowsレジストリから作成された短いリストで少し変更しました。
生のPATH値文字列が個々のパスに分割されている場合、すべての「ヌル」パス（空または空白のみの文字列）は、次を使用して削除できます。
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()))]
元のPATHには、テストのために「null」エントリと重複の両方があります。
[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
ヌルパスは削除されましたが、まだ重複しています（例：（1、3）および（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\
そして最後に、デュープは削除されました：
[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\
リストにハッシュできない項目が含まれる場合、 Alex Martelliの解 を使用できますが、セットではなくリストを使用できますが、入力が大きい場合は遅くなります：O（N ^ 2）。
def has_duplicates(iterable):
seen = []
for x in iterable:
if x in seen:
return True
seen.append(x)
return False
舞台裏でセットが何をするのか本当に知りませんので、シンプルにしたいだけです。
def dupes(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
より簡単な解決策は次のとおりです。 pandas .duplicated()メソッドでTrue/Falseをチェックしてから、sumを取得します。 pandas.Series.duplicated — pandas 0.24.1 documentation も参照してください。
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