2

我在 python 中有一个如下列表(真正的列表很大,我不能仅通过查看它来做到这一点):

original1=[['email', 'tel', 'fecha', 'descripcion', 'categ'],
          ['a@gmail.com', '1', '2014-08-06 00:00:06', 'MySpace a', 'animales'],
          ['b@gmail.com', '1', '2014-08-01 00:00:06', 'My Space a', 'ropa'],
          ['a@gmail.com', '2', '2014-08-06 00:00:06', 'My Space b', 'electronica'],
          ['b@gmail.com', '3', '2014-08-10 00:00:06', 'Myace c', 'animales'],
          ['c@gmail.com', '4', '2014-08-10 00:00:06', 'Myace c', 'animales']]

我将其拆分为数据和名称以处理数据:

datos=original1[-(len(original1)-1):len(original1)]

考虑到电子邮件和电话,我需要做一个将所有重复项放在一起的字典,但我需要应用传递性:因为如果我们考虑电子邮件,第 0 行 = 第 2 行,如果我们考虑电话,第 1 行,第 1 行 = 行3 如果我们再次考虑电子邮件,我需要得到在这种情况下所有候选人都是 0、1、2 和 3,而 4 是单独的。

我创建了以下代码:

from collections import defaultdict
email_to_indices = defaultdict(list) 
phone_to_indices = defaultdict(list)

for idx, row in enumerate(datos): 
    email = row[0].lower() 
    phone = row[1]
    email_to_indices[email].append(idx) 
    phone_to_indices[phone].append(idx)

所以现在我需要应用传递性规则,将 0 到 3 和单独的 4 组合在一起。

如果你打印

print 'email', email_to_indices
print 'phone', phone_to_indices

你得到:

电子邮件 defaultdict(, {'a@gmail.com': [0, 2],'b@gmail.com': [1, 3], 'c@gmail.com': [4]})

phone defaultdict(, {'1': [0, 1], '3': [3], '2': [2], '4': [4]})

不知道如何让那些考虑传递属性的人联合起来。我需要得到类似的东西:

first_group: [0, 1, 2, 3]
second_group: [4]

谢谢!

4

2 回答 2

2

在这里,您有一个图表,或者更准确地说是二分图。节点有两种类型:电子邮件和电话。如果该电子邮件和电话存在记录,则连接两个节点。或者我们甚至可以说记录本身就是连接两个节点的边。

任务是找到该图的连接组件。通过以下链接,您可以找到可以在线性时间内完成的算法。

当然,也可以发明一些快速而肮脏的解决方案,如果您的数据集足够小,甚至可能被认为是合适的。

你可以在这里找到一些 Python 实现:Python connected components

更新:这是一个如何构建图表的示例:

graph = {};
EMAIL = "email";
PHONE = "phone";

for rec in datos:
    graph.setdefault((EMAIL, rec[0]), set()).add((PHONE, rec[1]));
    graph.setdefault((PHONE, rec[1]), set()).add((EMAIL, rec[0]));

print "\n".join("%s: %s" % (str(node), str(linkedNodes)) for (node, linkedNodes) in graph.iteritems());

因此,每个节点都有一个类型(EMAIL或者PHONE,它们实际上可以只是整数,例如 0 和 1,我将它们设为字符串只是为了方便打印)和一个值。图是一个字典,其中节点作为键,连接节点集作为值。

于 2014-08-27T18:37:01.330 回答
0

这是另一种方法:

在构建email_to_indices字典时,您可以将该行的电话号码存储为值,然后拥有该phone_to_indices行的索引。这样我们就创建了行映射的email_to_indicesto phone_to_indicesto 索引。

通过该修改和基本的设置操作,我能够得到你想要的东西:

from collections import defaultdict

email_to_indices = defaultdict(list)
phone_to_indices = defaultdict(list)
combined = defaultdict(set)

original=[['email', 'tel', 'fecha', 'descripcion', 'categ'],
          ['a@gmail.com', '1', '2014-08-06 00:00:06', 'MySpace a', 'animales'],
          ['b@gmail.com', '1', '2014-08-01 00:00:06', 'My Space a', 'ropa'],
          ['a@gmail.com', '2', '2014-08-06 00:00:06', 'My Space b', 'electronica'],
          ['b@gmail.com', '3', '2014-08-10 00:00:06', 'Myace c', 'animales'],
          ['c@gmail.com', '4', '2014-08-10 00:00:06', 'Myace c', 'animales']]


for idx, row in enumerate(original[1:], start=1):
    email = row[0].lower()
    phone = row[1]
    email_to_indices[email].append(phone) # Here is what I changed
    phone_to_indices[phone].append(idx)

random_key = 0
for idx, row in enumerate(original[1:], start=1):
    grouped_rows = []
    if row[0].lower() in email_to_indices:
        for phone_no in email_to_indices[row[0].lower()]:
            grouped_rows.extend(phone_to_indices[phone_no])

    if len(combined[random_key]) > 0 and len(set(grouped_rows).intersection(combined[random_key])) > 0:
        combined[random_key].update(set(grouped_rows))
    elif len(combined[random_key]) > 0:
        random_key += 1
        combined[random_key].update(set(grouped_rows))
    else:
        combined[random_key].update(set(grouped_rows))

print combined

这给出了:

defaultdict(<type 'set'>, {0: set([1, 2, 3, 4]), 1: set([5])})
于 2014-08-27T19:38:52.747 回答