过滤序列元素:
有一个序列,想从其中过滤出想要的元素。最常用的办法就是列表过滤:比如下面的形式:这个表达式的意义是从1000个随机数中选出大于400的数据
test=[] for i in range(1000): test.append(random.randint(1,1000)) ret=[n for n in test if n >400]
根据cookbook书上的描述,这个方法适用于小数据的方式。如果数据集非常的大,而且要考虑内存的话建议使用生成器的方式ret=(n for n in test if n >400)
def filter_data(n): start=time.time() test=[] for i in range(n): test.append(random.randint(1,n)) ret=[n for n in test if n >400] end=time.time() print 'Time using list iterater is %s' % (end-start) start=time.time() test=[] for i in range(n): test.append(random.randint(1,n)) ret=(n for n in test if n >400) end=time.time() print 'Time using generater is %s' % (end-start)
我们先看下n=1000的运行结果:
filter_data(1000) 时间都差不多,看不出差别
N=10000的运行结果 用生成器要少于列表过滤的方法
filter_data(10000)
N=100000的运行结果 差距进一步拉大
filter_data(100000)
可以看出随着数据的扩大,确实生成器更能节省时间。
如果我们有两个列表,一个是存储信息的,一个是存储该信息的特征值的时候。我们想吧满足某种特征值的信息提取出来该如何操作呢。这里有个过滤工具itertools.compress
假设我们有下列数据,address存放的是具体的地址信息,count值对应的是各个地址信息的特征值。两者的索引是一一对应
addresses = [ '5412 N CLARK', '5148 N CLARK', '5800 E 58TH', '2122 N CLARK' '5645 N RAVENSWOOD', '1060 W ADDISON', '4801 N BROADWAY', '1039 W GRANVILLE', ] counts=[0,3,10,4,1,7,6,1]
如果我们想把特征值大于5的地址信息提取出来。其实方法也比较简单,如下是没有依赖任何模块的写法,也就是通过两个列表一一判断。
for i in range(len(addresses)): if counts[i] >= 5: tmp.append(addresses[i]) print tmp
compress的用法如下:首先生成一个feature的列表,这个feature列表根据生成式生成一个满足条件的过滤表。然后调用compress,第一个参数是原始数据,第二个参数是过滤条件。
feature=[n>=5 for n in counts] print feature print list(compress(addresses,feature))
两种方法比较,如果过滤条件已经具备,那么使用compress更方便一些。否则从我个人感觉来看没有什么差别。