問題

假如，在有兩個大檔案分別儲存了大量的資料，資料其實很簡單就是一堆字串，每行儲存一條，如何快速篩選出兩個檔案的異同之處麼，或者如何篩選出兩個檔案中不同的元素呢？

剛開始我是通過最簡單的方法，利用for迴圈去一個個的判斷，時間複雜度為m的n次冪，當然當檔案數量級為十萬或者百萬時，速率簡直慢到了極點。

解決方法

利用set()的different(方法)可快速比較，兩個set集合的不同之處，也就是對集合進行數學運算

假設:資料1擁有858882條記錄，資料2有360029條記錄，快速挑選出資料2中而不存在與資料1中的資料

方法：先將兩個檔案中的資料讀入兩個list：data1和data2，然後通過：set(data2).difference(set(data1))，獲取data2與data1的差集

下面為一個小的demo，可以看到近百萬級的資料，比較出差集也就需要1秒左右，效率不是一般的高

import time
t1 = time.time()
data1 = []
for i in open("inDB.txt","r",encoding="utf-8"):
  i = i.strip("\n")
  i = i.lower()
  data1.append(i)
data2 = []
for i in open("data/18年.filename",encoding="utf-8"):
  i = i.strip("\n")
  i = i.lower()
  data2.append(i)
newdata = set(data2).difference(set(data1))
t2 = time.time()

print(f"data1 length:\t{len(data1)}")
print(f"data2 length:\t{len(data2)}")
print(f"newdata length:\t{len(newdata)}")
print(f"time use:\t{round(t2 - t1,3)}s")

list最多可以存放多少條資料呢？

python中list最多可以存放多少條資料呢？

對於這個問題，有個網友調研了python的文件，結果跟計算機的效能相關

64位機器：2^63-1=9223372036854775807
32位機器：2^31-1=2147483647
import sys
print(sys.maxsize)
print(pow(2,63)-1)
9223372036854775807
9223372036854775807

集合set的操作

內建函式	作用
add()	為集合新增元素
clear()	移除集合中的所有元素
copy()	拷貝一個集合
difference()	返回多個集合的差集
difference_update()	移除集合中的元素，該元素在指定的集合也存在。
discard()	刪除集合中指定的元素
intersection()	返回集合的交集
intersection_update()	返回集合的交集。
isdisjoint()	判斷兩個集合是否包含相同的元素，如果沒有返回 True，否則返回 False。
issubset()	判斷指定集合是否為該方法引數集合的子集。
issuperset()	判斷該方法的引數集合是否為指定集合的子集
pop()	隨機移除元素
remove()	移除指定元素
symmetric_difference()	返回兩個集合中不重複的元素集合。
symmetric_difference_update()	移除當前集合中在另外一個指定集合相同的元素，並將另外一個指定集合中不同的元素插入到當前集合中。
union()	返回兩個集合的並集
update()	給集合新增元素

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。