- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
大约有 300 万个数组 - 或 Python 列表\元组(并不重要)。每个数组由以下元素组成:
['string1', 'string2', 'string3', ...] # totally, 10000 elements
这些数组应该存储在某种键值存储中。为了简单的解释,我们现在假设它是 Python 的字典。
所以,300 万个键,每个键代表一个 10000 个元素的数组。
Lists\tuples 或任何其他自定义的东西 - 这并不重要。重要的是数组应该包含字符串——utf8 或 unicode 字符串,每个字符串 5 到大约 50 个字符。还有大约 300 万个可能的字符串。如果确实需要,可以用整数替换它们,但为了更高效的进一步操作,我更愿意使用字符串。
虽然很难为您提供数据的完整描述(它既复杂又奇怪),但它类似于同义词 - 假设我们有 300 万个单词 - 作为字典键 - 每个单词都有 10k 个同义词- 或列表的元素。
像那样(不是真正的同义词,但它会给你想法):
{
'computer': ['pc', 'mac', 'laptop', ...], # (10k totally)
'house': ['building', 'hut', 'inn', ...], # (another 10k)
...
}
元素 - '同义词' - 如果需要可以排序。
稍后,在填充数组后,有一个循环:我们遍历所有键并检查其值中是否有某些变量。例如,用户输入单词“computer”和“laptop”——如果“laptop”是“computer”的同义词,我们必须快速回复。这里的问题是我们必须检查它数百万次,大概 2000 万次左右。试想一下,我们很多用户输入了一些随机词——“计算机”和“汽车”、“电话”和“建筑物”等等。它们可能“匹配”,也可能不匹配'匹配'。
所以,简而言之 - 我需要的是:
我应该能够将内存使用量保持在 30GB 以下。此外,我应该能够在 Xeon CPU 上在不到 10 小时的时间内完成所有迭代。
有大约 0.1% 的错误答案(正面和负面)是可以接受的,但最好减少它们或根本没有它们。
这里最好的方法是什么?算法、代码链接,任何东西都非常受欢迎。另外 - 我的一个 friend 建议在这里使用布隆过滤器或玛丽莎尝试 - 他是对的吗?我没有和他们一起工作。
最佳答案
我会将每个唯一字符串映射到一个数字 ID,然后关联一个 bloom filter对于 <0.1% 的错误率,每个元素大约 20 位。 20 位 * 10000 个元素 * 300 万个键是 75GB,所以如果你的空间有限,那么在内存中存储一个更小的不太准确的过滤器,并在磁盘上存储更准确的过滤器,如果第一个过滤器说它可能是匹配的,它会被调用。
有alternatives , 但它们只会将尺寸从 1.44·n·ln2(1/ε) 减小到 n·ln2(1/< i>ε) 每个 key ,在您的情况下 ε=0.001 因此理论上的限制是每个 key 99658 位的数据结构,或每个元素 10 位,即 298,974,000,000 位或38 GB。
因此 30GB 低于具有您所需的性能和条目数的数据结构的理论限制,但在球场内。
关于python - 存储数百万数组的有效方法,并执行 IN 检查,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21854706/
我遇到了一个奇怪的问题。我有这个: $(document).ready(function () {
我正在编写一个程序,它从列表中读取一些 ID,从中找出不同的 URL,然后将图像保存到我的 C: 驱动器中。 如果我在浏览器中导航到图像 URL,它们就会起作用。此外,如果我尝试从不同的服务器获取图像
我编写了一个 REST WCF RIA Silverlight 4.0 兼容服务,我可以从 javascript + jQuery.1.4.2.js + JSON2.js(当然,还可以从 .NET 4
我很确定这个网站实际上还没有得到回答。一劳永逸地,与 32 位有符号整数范围内的数字字符串匹配的最小正则表达式是什么,范围是 -2147483648至 2147483647 . 我必须使用正则表达式进
我有两个data.table;我想从那些与键匹配的元素中随机分配一个元素。我现在这样做的方式相当慢。 让我们具体点;这是一些示例数据: dt1<-data.table(id=sample(letter
我已经安装了 celery 、RabitMQ 和花。我可以浏览到花港。我有以下简单的工作人员,我可以将其附加到 celery 并从 python 程序调用: # -*- coding: utf-8 -
我正在使用 ScalaCheck 在 ScalaTest 中进行一些基于属性的测试。假设我想测试一个函数,f(x: Double): Double仅针对 x >= 0.0 定义的, 并返回 NaN对于
我想检查文件是否具有有效的 IMAGE_DOS_SIGNATURE (MZ) function isMZ(FileName : String) : boolean; var Signature: W
在 Herbert Schildt 的“Java:完整引用,第 9 版”中,有一个让我有点困惑的例子。它的关键点我无法理解可以概括为以下代码: class Test { public stat
我在工作中查看了一些代码,发现了一些我以前没有遇到过的东西: for (; ;) { // Some code here break; } 我们一直调用包含这个的函数,我最近才进去看看它是
在 Herbert Schildt 的“Java:完整引用,第 9 版”中,有一个让我有点困惑的例子。它的关键点我无法理解可以概括为以下代码: class Test { public stat
我试图编写一个函数,获取 2D 点矩阵和概率 p 并以概率 p 更改或交换每个点坐标 所以我问了一个question我试图使用二进制序列作为特定矩阵 swap_matrix=[[0,1],[1,0]]
这个问题在这里已经有了答案: Using / or \\ for folder paths in C# (5 个答案) 关闭 7 年前。 我在某个Class1中有这个功能: public v
PostgreSQL 10.4 我有一张 table : Column | Type ------------------------- id | integer| title
我正在 Postgresql 中编写一个函数,它将返回一些针对特定时区(输入)计算的指标。 示例结果: 主要问题是这只是一个指标。我需要从其他表中获取其他 9 个指标。 对于实现此目标的更简洁的方法有
我需要在 python 中模拟超几何分布(用于不替换采样元素的花哨词)。 设置:有一个装满人口许多弹珠的袋子。弹珠有两种类型,红色和绿色(在以下实现中,弹珠表示为 True 和 False)。从袋子中
我正在使用 MaterializeCSS 框架并动态填充文本输入。我遇到的一个问题是,在我关注该字段之前,valid 和 invalid css 类不会添加到我的字段中。 即使我调用 M.update
是否有重叠 2 个 div 的有效方法。 我有以下内容,但无法让它们重叠。 #top-border{width:100%; height:60px; background:url(image.jpg)
我希望你们中的一位能向我解释为什么编译器要求我在编译单元中重新定义一个静态固定长度数组,尽管我已经在头文件中这样做了。这是一个例子: 我的类.h: #ifndef MYCLASS_H #define
我正在使用旧线程发布试图解决相同问题的新代码。什么是安全 pickle ? this? socks .py from socket import socket from socket import A
我是一名优秀的程序员,十分优秀!