hash - 从大型数据集中删除重复行

Question

假设我有一个非常大的数据集，无法放入内存，数据集中有数百万条记录，我想删除重复的行(实际上是保留重复行中的一行)

就空间和时间复杂度而言，最有效的方法是什么？

我的想法:

1.使用布隆过滤器，我不确定它是如何实现的，但我猜副作用是有误报，在那种情况下我们如何才能确定它是否真的是重复的？

2.使用散列值，在这种情况下，如果我们有少量重复值，唯一散列值的数量会很大，我们可能再次遇到内存问题，

Answer 1

您的解决方案 2:使用哈希值不会强制出现内存问题。您只需将散列空间划分为适合内存的片。更准确地说:

考虑一个存储记录集的哈希表，每条记录仅由其在表中的索引表示。例如，这样的哈希表将是 4GB。然后你把你的散列空间分成 k=4 片。根据散列值的最后两位数字，每条记录进入一个切片。所以算法大致如下:

let k = 2^M
for i from 0 to k-1:
    t = new table
    for each record r on the disk:
        h = hashvalue(r)
        if (the M last bit of h == i) {
            insert r into t with respect to hash value h >> M
        }
    search t for duplicate and remove them
    delete t from memory

缺点是您必须对每条记录进行 k 次哈希处理。优点是可以轻松分发。

这是 Python 中的原型(prototype):

# Fake huge database on the disks
records = ["askdjlsd", "kalsjdld", "alkjdslad", "askdjlsd"]*100

M = 2
mask = 2**(M+1)-1
class HashLink(object):
    def __init__(self, idx):
        self._idx = idx
        self._hash = hash(records[idx]) # file access

    def __hash__(self):
        return self._hash >> M

    # hashlink are equal if they link to equal objects
    def __eq__(self, other):
        return records[self._idx] == records[other._idx] # file access

    def __repr__(self):
        return str(records[self._idx])

to_be_deleted = list()
for i in range(2**M):
    t = set()
    for idx, rec in enumerate(records):
        h = hash(rec)
        if (h & mask == i):
            if HashLink(idx) in t:
                to_be_deleted.append(idx)
            else:
                t.add(HashLink(idx))

结果是:

>>> [records[idx] for idx in range(len(records)) if idx not in to_be_deleted]
['askdjlsd', 'kalsjdld', 'alkjdslad']