問題

假如，在有兩個大文件分別存儲了大量的數據，數據其實很簡單就是一堆字符串，每行存儲一條，如何快速篩選出兩個文件的異同之處么，或者如何篩選出兩個文件中不同的元素呢？

剛開始我是通過最簡單的方法，利用for循環去一個個的判斷，時間復雜度為m的n次冪，當然當文件數量級為十萬或者百萬時，速率簡直慢到了極點。

解決方法

利用set()的different(方法)可快速比較，兩個set集合的不同之處，也就是對集合進行數學運算

假設:數據1擁有858882條記錄，數據2有360029條記錄，快速挑選出數據2中而不存在與數據1中的數據

方法：先將兩個文件中的數據讀入兩個list：data1和data2，然后通過：set(data2).difference(set(data1))，獲取data2與data1的差集

下面為一個小的demo，可以看到近百萬級的數據，比較出差集也就需要1秒左右，效率不是一般的高

import timet1 = time.time()data1 = []for i in open('inDB.txt','r',encoding='utf-8'): i = i.strip('n') i = i.lower() data1.append(i)data2 = []for i in open('data/18年.filename','r',encoding='utf-8'): i = i.strip('n') i = i.lower() data2.append(i)newdata = set(data2).difference(set(data1))t2 = time.time()print(f'data1 length:t{len(data1)}')print(f'data2 length:t{len(data2)}')print(f'newdata length:t{len(newdata)}')print(f'time use:t{round(t2 - t1,3)}s')

list最多可以存放多少條數據呢？

python中list最多可以存放多少條數據呢？

對于這個問題，有個網友調研了python的文檔，結果跟計算機的性能相關

64位機器：2^63-1=922337203685477580732位機器：2^31-1=2147483647import sysprint(sys.maxsize)print(pow(2,63)-1)92233720368547758079223372036854775807

集合set的操作

內置函數 作用 add() 為集合添加元素 clear() 移除集合中的所有元素 copy() 拷貝一個集合 difference() 返回多個集合的差集 difference_update() 移除集合中的元素，該元素在指定的集合也存在。 discard() 刪除集合中指定的元素 intersection() 返回集合的交集 intersection_update() 返回集合的交集。 isdisjoint() 判斷兩個集合是否包含相同的元素，如果沒有返回 True，否則返回 False。 issubset() 判斷指定集合是否為該方法參數集合的子集。 issuperset() 判斷該方法的參數集合是否為指定集合的子集 pop() 隨機移除元素 remove() 移除指定元素 symmetric_difference() 返回兩個集合中不重復的元素集合。 symmetric_difference_update() 移除當前集合中在另外一個指定集合相同的元素，并將另外一個指定集合中不同的元素插入到當前集合中。 union() 返回兩個集合的并集 update() 給集合添加元素

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持好吧啦網。