我有一大组整数序列,下面是小样本:
1
2
1
1 2
1 3 2
4
1 3 2
...
简单地将它们存储为元组列表会给我带来内存错误,因此我正在寻找可以保存它们(或等效信息)的更好的数据结构。序列之间的顺序并不重要(即序列没有 id),但需要保留每个序列内的顺序。
关于如何有效地做到这一点有什么想法吗?我正在考虑嵌套字典;上面的例子看起来像这样:
{1: {2: {-1: 1},
3: {2: {-1: 2}, -1: 0},
-1: 2},
2: {-1: 1},
4: {-1: 1}}
“叶子”值(由键 -1 给出)是各个序列的计数。当然,这并没有利用所有键都是整数的事实。
粗略地说,我希望管理大约十亿个序列,平均长度为 3,具有大量冗余。不同整数的数量约为一百万。有什么好的想法/现有的库吗?
编辑:
构建数据结构的“子集”应该是有效的,如下所示。给定一个整数 x,仅获取包含 x 的序列。例如,如果x=2
,那么我们将从初始数据结构构建以下子集:
{1: {2: {-1: 1},
3: {2: {-1: 2}, -1: 0},
-1: 0},
2: {-1: 1}}
如果可能的话,我还希望能够构建一个子集,如下所示。我指定一对整数(x,y)
,对应的子集是x
和y
同时出现的序列集合,并且第一个 x
出现在第一个 y
之前。例如,对于 (x,y)=(1,2)
我们会得到
{1: {2: {-1: 1},
3: {2: {-1: 2}, -1: 0},
-1: 0}}
我没有明确的 O(log n) 要求,最终它应该尽可能快地运行:) 不幸的是,我无法提供实际的数据样本,因为它不是我的分享。
最佳答案
考虑到冗余量,您可以使用 Trie 获得良好的压缩效果。 ,它会折叠所有常见前缀。
看起来您的嵌套字典结构的目标是这个方向,但 HashMap 不一定是最节省空间的存储(您没有提到对查找性能的任何要求)。
例如,考虑将其存储为嵌套列表,并使用一元组来区分叶值(尽管我们可能会想出更清晰的东西):
trie = [ [1, (2,),
[2, (1,)],
[3, [2, (2,)]],
[2, (1,)],
[4, (1,)]
]
平均长度为 3,这应该相当浅,并且希望使用列表而不是字典在每个级别上都有更少的松弛。
请注意,如果某些分支又长又裸,您可以以代码复杂性为代价压缩冗余深度。考虑子树
[1, [2, [3, ... [n, (1,)]...]]]
可以编码为
[1, 2, 3, ..., n, (1,)]
只要你区分平面序列和同级序列(这里,叶子始终是一个元组,子树始终是一个列表,其他任何东西都是平面序列中的下一个元素)。
新的子集要求更加复杂。我可以想到一些可能的方法:
- 天真的/暴力搜索:再次取决于您的访问模式,您可以返回一个生成器,而不是匹配子树(子尝试)的渴望的完整深度副本
- 在每个子树的顶部存储一个布隆过滤器,指示在其中找到的值。
您的搜索工作方式与 (1) 相同,只是您可以快速跳过无法匹配的子树。
- 每个级别的过滤器只是其子级中的过滤器的逻辑“或”
如果需要快速查找,可以进行反向查找。例如,这可能是包含一个 key 的每个序列的集合(因此您将拥有一百万个 key )。将包含 x 的序列与包含 y 的序列进行并集后,您需要迭代结果以查看哪个序列具有 x 和y 以正确的顺序。
此方案的困难在于表示每个序列。您要么需要一个到 Trie 中叶节点的链接(并且能够以某种方式从叶到根进行迭代),要么需要每个序列的单独平面副本,这似乎很浪费
关于python - 在python中高效存储一组整数序列,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17811629/