假设有一个名为“series”的列表,其中在多个索引值处有一些重复的元素。是否有一种方法可以找到数字重复序列的第一次出现。
series = [2,3,7,10,11,16,16,9,11,12,14,16,16,16,5,7,9,17,17,4,8,18,18]
返回值应类似于 [5,11,17,21],这些是重复序列 [16,16],[16,16,16],[17,17] 和 [18,18] 的第一次出现的索引值。
假设有一个名为“series”的列表,其中在多个索引值处有一些重复的元素。是否有一种方法可以找到数字重复序列的第一次出现。
series = [2,3,7,10,11,16,16,9,11,12,14,16,16,16,5,7,9,17,17,4,8,18,18]
这里有一个性能优化的方法,使用数组切片,类似于@piRSquared的第二种解决方案
,但没有任何追加/连接操作 -
a = np.array(series)
out = np.flatnonzero((a[2:] == a[1:-1]) & (a[1:-1] != a[:-2]))+1
样例运行 -
In [28]: a = np.array(series)
In [29]: np.flatnonzero((a[2:] == a[1:-1]) & (a[1:-1] != a[:-2]))+1
Out[29]: array([ 5, 11, 17, 21])
运行时测试(用于工作解决方案)
方法 -
def piRSquared1(series):
d = np.flatnonzero(np.diff(series) == 0)
w = np.append(True, np.diff(d) > 1)
return d[w].tolist()
def piRSquared2(series):
s = np.array(series)
return np.flatnonzero(
np.append(s[:-1] == s[1:], True) &
np.append(True, s[1:] != s[:-1])
).tolist()
def Zach(series):
s = pd.Series(series)
i = [g.index[0] for _, g in s.groupby((s != s.shift()).cumsum()) if len(g) > 1]
return i
def jezrael(series):
s = pd.Series(series)
s1 = s.shift(1).ne(s).cumsum()
m = ~s1.duplicated() & s1.duplicated(keep=False)
s2 = m.index[m].tolist()
return s2
def divakar(series):
a = np.array(series)
x = a[1:-1]
return (np.flatnonzero((a[2:] == x) & (x != a[:-2]))+1).tolist()
针对设置,我们只需将样本输入平铺多次。
时间 -
案例#1:大规模设置
In [34]: series0 = [2,3,7,10,11,16,16,9,11,12,14,16,16,16,5,7,9,17,17,4,8,18,18]
In [35]: series = np.tile(series0,10000).tolist()
In [36]: %timeit piRSquared1(series)
...: %timeit piRSquared2(series)
...: %timeit Zach(series)
...: %timeit jezrael(series)
...: %timeit divakar(series)
...:
100 loops, best of 3: 8.06 ms per loop
100 loops, best of 3: 7.79 ms per loop
1 loop, best of 3: 3.88 s per loop
10 loops, best of 3: 24.3 ms per loop
100 loops, best of 3: 7.97 ms per loop
案例2:更大的数据集(前2个解决方案)
In [40]: series = np.tile(series0,1000000).tolist()
In [41]: %timeit piRSquared2(series)
1 loop, best of 3: 823 ms per loop
In [42]: %timeit divakar(series)
1 loop, best of 3: 823 ms per loop
现在,这两种解决方案仅在避免附加的方式上有所不同。让我们更仔细地看一下它们,在较小的数据集上运行 -
In [43]: series = np.tile(series0,100).tolist()
In [44]: %timeit piRSquared2(series)
10000 loops, best of 3: 89.4 µs per loop
In [45]: %timeit divakar(series)
10000 loops, best of 3: 82.8 µs per loop
因此,后一种解决方案中避免连接/追加在处理较小数据集时非常有帮助,但是在处理更大的数据集时,它们变得可比。
在使用该方法时,在较大的数据集上可能会有微小的改进。 因此,最后一步可以重写为:
np.flatnonzero(np.concatenate(([False],(a[2:] == a[1:-1]) & (a[1:-1] != a[:-2]))))
shift
键。In [3815]: s = pd.Series(series)
In [3816]: cond = (s == s.shift(-1))
In [3817]: cond.index[cond]
Out[3817]: Int64Index([5, 11, 12, 17, 21], dtype='int64')
diff
In [3828]: cond = s.diff(-1).eq(0)
In [3829]: cond.index[cond]
Out[3829]: Int64Index([5, 11, 12, 17, 21], dtype='int64')
使用tolist
进行列表输出
In [3833]: cond.index[cond].tolist()
Out[3833]: [5, 11, 12, 17, 21]
In [3823]: s.head(10)
Out[3823]:
0 2
1 3
2 7
3 10
4 11
5 16
6 16
7 9
8 11
9 12
dtype: int64
In [3824]: cond.head(10)
Out[3824]:
0 False
1 False
2 False
3 False
4 False
5 True
6 False
7 False
8 False
9 False
dtype: bool
[5, 11, 17, 21]
。 - jezraelcond = (s == s.shift(-1))
时,您将有2个True
。但是返回值只需要是索引2
,因为那是任何重复序列的第一个出现。 - RTMnp.diff
& np.flatnonzero
这个答案使用了np.diff
函数,并测试了差值是否为零。在这些点上,我们知道有重复项。我们使用np.flatnonzero
函数来给出这些差异为零的位置。然而,我们只需要连续差异的第一个位置。所以我们再次使用np.diff
函数来过滤掉重复序列中的第一个。这一次,我们将结果用作布尔掩码。
d = np.flatnonzero(np.diff(series) == 0)
w = np.append(True, np.diff(d) > 1)
d[w]
array([ 5, 11, 17, 21])
np.flatnonzero
我认为这是一种更好的方法。我们创建一个布尔数组,评估值何时等于下一个值但不等于前一个值。我们利用np.flatnonzero
告诉我们True
值的位置。
我也觉得这个答案的对称性很吸引人。
s = np.array(series)
np.flatnonzero(
np.append(s[:-1] == s[1:], True) &
np.append(True, s[1:] != s[:-1])
)
array([ 5, 11, 17, 21])
首先,使用 shift
和 cumsum
创建唯一的组,然后获取第一个重复项的掩码并通过布尔索引
进行过滤:
s = pd.Series([2,3,7,10,11,16,16,9,11,12,14,16,16,16,5,7,9,17,17,4,8,18,18])
s1 = s.shift(1).ne(s).cumsum()
m = ~s1.duplicated() & s1.duplicated(keep=False)
s2 = m.index[m].tolist()
print (s2)
[5, 11, 17, 21]
print (s1)
0 1
1 2
2 3
3 4
4 5
5 6
6 6
7 7
8 8
9 9
10 10
11 11
12 11
13 11
14 12
15 13
16 14
17 15
18 15
19 16
20 17
21 18
22 18
dtype: int32
print (m)
dtype: int32
0 False
1 False
2 False
3 False
4 False
5 True
6 False
7 False
8 False
9 False
10 False
11 True
12 False
13 False
14 False
15 False
16 False
17 True
18 False
19 False
20 False
21 True
22 False
dtype: bool
keep
参数。谢谢! - RTM既然我们似乎在竞速比赛中竞争,而且没有人可能在不作弊的情况下击败Divakar / piRsquared,因为需要使用 pandas
/numpy
/scipy
,所以这里是我的numba
解决方案:
from numba import jit
import numpy as np
@jit
def rpt_idx(s):
out = []
j = True
for i in range(len(s)):
if s[i] == s[i+1]:
if j:
out.append(i)
j = False
else:
j = True
return out
rpt_idx(series)
Out: array([ 5, 11, 17, 21])
对于这样一个微不足道的情况,使用 jit
可能有点过度杀伤力,但它确实可以大大提高速度。
%timeit rpt_idx(series)
The slowest run took 10.50 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 1.99 µs per loop
%timeit divakar(series)
The slowest run took 7.73 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 12.5 µs per loop
series_ = np.tile(series,10000).tolist()
%timeit divakar(series_)
100 loops, best of 3: 20.1 ms per loop
%timeit rpt_idx(series_)
100 loops, best of 3: 5.84 ms per loop
itertools.groupby
,将相邻的重复项分组在一起。>>> import pandas
>>> s = pandas.Series([2, 3, 7, 10, 11, 16, 16, 9, 11, 12, 14, 16, 16, 16, 5, 7, 9, 17, 17, 4, 8, 18, 18])
>>> for _, group in s.groupby((s != s.shift()).cumsum()):
... if len(group) > 1:
... print(group.index[0])
5
11
17
21
>>> [g.index[0] for _, g in s.groupby((s != s.shift()).cumsum()) if len(g) > 1]
[5, 11, 17, 21]
numba
:) 请看下面我的答案。 - Daniel F