python - 更快地比较两个列表

Question

我正在尝试比较两个文件，这些文件有大约 70k 行，使用我当前的算法需要大约 5 分钟才能完全比较所有文件。

基本上我所做的是获取两个文件的所有行并将它们放入列表中，因此它看起来像这样。

    compare_list_new=[['Albert','V4','25.000','45.000','1.3500'], 
     ['James','V4','22.000','43.000','1.4000'], ['James','V5','23.000','41.000','1.3000']]

    compare_list_old=[['Albert','V4','25.000','45.000','1.3900'], 
     ['James','V4','22.000','43.000','1.2000'], ['James','V5','23.000','41.000','1.2000']]

想法是两个文件有相似的名字，所以要在旧条目中找到新条目，我们必须根据坐标搜索，所以如果我想从新到旧找到特定的 James，我必须使用“22.000”、“43.000”。

找到条目后，我从新文件中取出 1.4000，从旧文件中取出 1.2000，然后减去它们以找到从旧文件到新文件的增量。

这是我当前使用的算法:

    # This is not important
    import time
    import timeit
    import bisect
    from operator import itemgetter
    import time


    compare=open("factor.output.new.txt","w")
    compare_list_new=[]
    compare_list_old=[]
    newlist=[]

    #File Count algorithm

    start = time.time() # Tracks execution time

    def list_create(fname):  #Makes the list in the appropriate format
         newlist=[]
         with open(fname) as file:
              for i, line in enumerate(file):
                  if i>6:
                     for line in file:
                         lines_list=line.split(" ")
                         del lines_list[0]
                         del lines_list[2:29]
                         del lines_list[5:12]
                         newlist.append(lines_list)
         return newlist



     #Creates lists and sorts them

     compare_list_new=list_create("par_iop.pwr.sfactor.output_new.ipf")
     compare_list_new=sorted(compare_list_new, key=itemgetter(2))
     compare_list_old=list_create("par_iop.pwr.sfactor.output_old.ipf")
     compare_list_old=sorted(compare_list_old, key=itemgetter(2))



    compare.write("Name Version Coordinate_x Coordinate_y Sfactordelta FLAG\n")
    compare_list_copy=compare_list_old #Makes a copy of the list


    for item in compare_list_new: # compares both lists
        end = time.time()
        print(end - start)
        for line in compare_list_old:
            if item[0:4] == line[0:4]:
               s1=float(item[4])
               s2 = float(line[4])
               delta=s1-s2
               delta=format(delta,'.4f')
               item[4]=str(delta)
               text = " ".join(item)
               compare.write(text +"  " +"\n")
               compare_list_copy.remove(line)
               match=1
               break
         if(match==1):
            compare_list_old=compare_list_copy
            match=0
         else:
            text=" ".join(item)
            compare.write(text + "  " + "ITEM NOT FOUND IN OLD FILE BUT IS IN NEW FILE""\n")
            try:
               compare_list_copy.remove(line)
            except ValueError:
                  pass
            compare_list_old = compare_list_copy
    compare.close()

本质上是比较两个列表的部分，如果它们匹配，则在对它们进行排序后，它将执行操作以获取增量并将其从副本中删除，然后使旧的等于副本，这样它就不会在遍历列表时删除项目。如果该项目不匹配，则表示它不在旧文件中，但在新文件中。

我想要一些可能使这个过程更快的东西。

Answer 1

这里有很多代码，缩进明显不正确，所以我什至不知道逻辑到底应该是什么，也没有迹象表明你认为哪一部分很慢(或者你是怎么知道的)，但有一件事立刻跳出来:

compare_list_copy.remove(line)

…和另一个remove 稍后。

首先，无论何时调用 lst.remove(val)，列表都必须进行线性搜索，将每个元素与 val 进行比较。但是您已经知道所需元素的索引(或者更确切地说，您可以仅通过使用 enumerate 就知道它)，因此整个搜索都被浪费了；只需 del lst[idx] 即可。

其次，无论您是remove 还是del，您仍然是从数组的中间删除。这意味着将所有后续元素向上移动一个位置。它有一个更快的常量(它只是一个大的 memmove，而不是一堆对比较函数的调用)，但它仍然是线性的。

并且您在内部循环中执行此操作。因此，您将 N 的额外因子乘以您已经二次方的时间。如果您只是按照对数搜索对相同数据进行线性搜索，那么您通过 bisect 以对数而不是线性时间进行搜索所付出的任何努力都将被浪费。

---

如果你需要一些你可以在对数时间搜索，也可以在对数时间修改的东西，你想要的是某种树(或树列表结构，如跳表)。 PyPI 上有很好的库，其中包含各种二叉树和 b 树变体，或者您可以在维基百科上查找算法。

或者您可以只获取诸如 Sorted Containers 库之类的东西，它可以在更高的层次上进行包装。例如，sorteddict 的行为很像 dict，但您可以搜索最近的键而不是精确匹配，或者搜索给定范围内的所有键等。在幕后，它与某种混合的 rope-of-btrees 或其他东西一起工作，但你不需要关心这些细节；重要的是它保证在对数时间内完成您需要的所有操作。

---

完成此操作后，至少两个外部循环中的一个也可以有利地转换为对数搜索(使用树几乎可以免费获得)。

此时你的总时间是 O(log**2 N * N) 而不是 O(N**3)，这是一个巨大的差异。

如果您不习惯用算法复杂性来处理性能，请考虑一下:只有 1000 个元素，立方时间需要 1000*1000*1000 = 10 亿步；对数平方线性时间需要 10*10*1000 = 100,000 步。这就是天和秒之间的差异。