我有一份数据清单,格式如下:
[(id\__1_, description, id\_type), (id\__2_, description, id\_type), ... , (id\__n_, description, id\_type))
数据是从属于同一组的文件加载的。在每个组中,可能有相同id的倍数,每个都来自不同的文件。我不在乎复制品,所以我想一个很好的方法来存储所有这些,就是把它扔进一个集合类型。但有个问题。
有时,对于同一id,描述可能略有不同,如下所示:
IPI00110753号微管蛋白α-1A链
微管蛋白α-1链
α-微管蛋白1
α-微管蛋白同种型M-α-1
我不在乎描述是否不同。我不能扔掉它们,因为我使用的蛋白质数据库可能不包含某个标识符的列表。如果发生这种情况,我将希望能够向生物学家展示人类可读的描述,以便他们大致知道他们在看什么蛋白质。
我目前正在使用字典类型解决此问题。不过,我不太喜欢这个解决方案,因为它使用了大量内存(我有很多这些ID)。这只是他们中间人的名单。在将ID放入数据库之前,还需要进行一些额外的处理,所以我希望保持我的数据结构更小。
我真的有两个问题。首先,我会使用Set类型(而不是dictionary类型)得到更小的内存占用,还是应该使用排序列表,在每次插入列表时都要检查该ID是否存在,或者是否有第三个解决方案是我没有想到的?其次,如果Set类型是更好的答案,那么我如何设置它的键,使其只查看元组的第一个元素,而不是整个元素?
感谢您阅读我的问题,
提姆
更新
根据我收到的一些评论,让我澄清一点。我对数据结构所做的大部分工作都是插入到其中。我只读了两次,一次是用附加信息注释,*一次是插入数据库。不过,在我插入数据库之前,可能还有其他注释要做。不幸的是,我不知道这个时候会不会发生。
现在我正在研究如何将这些数据存储在一个不基于哈希表(即字典)的结构中。我希望新的结构在插入时相当快,但是读取它可能是线性的,因为我只实际执行了两次。我正试图从哈希表中移开以节省空间。是否有更好的结构或哈希表是它得到的最好的?
*信息是通过查询uniprot得到的瑞士Prot蛋白标识符列表。