在Python中为ID分配字符串

Question

我正在用Python读取一个文本文件，其中每列值可能是数字或字符串。

当这些值为字符串时，我需要为该字符串分配一个唯一的ID（在同一列下所有字符串之间唯一；如果相同的字符串在同一列下出现，则必须分配相同的ID）。

有什么高效的方法可以做到这一点？

- Bob

Answer 1

使用具有默认值工厂的defaultdict生成新的id:

ids = collections.defaultdict(itertools.count().next)
ids['a']  # 0
ids['b']  # 1
ids['a']  # 0

当您在defaultdict中查找一个键时，如果该键不存在，defaultdict会调用用户提供的默认值工厂来获取该值并将其存储后返回。

collections.count()创建一个从0开始的迭代器，因此collections.count().next是一个绑定方法，每次调用它时都会产生一个新的整数。

结合使用这些工具可以产生一个字典，当您查找以前未查找过的内容时，它会返回一个新的整数。

- user2357112

---

这应该正好满足他的需求。如果他正在迭代数据行，每个唯一值都通过简单插入获得唯一整数。重复检查已内置。 - g.d.d.c

他要求仅为字符串赋值而不是每一列：“当这些值是字符串时，我需要为该字符串分配一个唯一的ID(在同一列下所有字符串中唯一;如果相同的字符串在同一列的其他位置出现，则必须分配相同的ID)”。他可以通过枚举文件来获得运行计数器。 - Burhan Khalid

你仍然没有解决这个问题。如果同一字符串出现在两列中，它需要不同的id。你有一个解决方案（非常整洁，顺便说一句），但它没有解决他的问题。 - Burhan Khalid

@user2357112 非常棒。请将这个解释添加到您的答案中。我会点赞 :) - thefourtheye

@thefourtheye：在答案中添加了解释。 - user2357112

Answer 2

对于Python 3，defaultdict答案已更新，其中.next现在是.__next__，并且为了符合pylint的规范，不鼓励使用“神奇”的__*__方法：

ids = collections.defaultdict(functoools.partial(next, itertools.count()))

- Greg Allen

Answer 3

创建一个集合，然后向其中添加字符串。这将确保字符串不会重复；然后您可以使用enumerate获取每个字符串的唯一ID。在再次写出文件时，请使用此ID。

在此，我假设第二列是您要扫描文本或整数的列。

seen = set()
with open('somefile.txt') as f:
   reader = csv.reader(f, delimiter=',')
   for row in reader:
      try:
         int(row[1])
      except ValueError:
         seen.add(row[1]) # adds string to set

# print the unique ids for each string

for id,text in enumerate(seen):
    print("{}: {}".format(id, text))

现在，您可以采用相同的逻辑，并将其复制到文件的每一列。如果您预先知道列长度，则可以拥有一组列表。假设该文件有三列：

unique_strings = [set(), set(), set()]

with open('file.txt') as f:
    reader = csv.reader(f, delimiter=',')
    for row in reader:
       for column,value in enumerate(row):
           try:
               int(value)
           except ValueError:
               # It is not an integer, so it must be
               # a string
               unique_strings[column].add(value)

- Burhan Khalid