Python - 将长地址列表转换为字符串列表并求交集
我有两个非常长的文本文件(里面有成千上万的电子邮件地址,每行一个),我想找个办法来比较这两个文件,输出那些只在第一个文件或第二个文件中出现,但不同时在两个文件中的地址(就像集合理论中的 AUB/(A⋂B))。如果我能用包含字符串的列表作为输入,那就简单多了,像这样:
input1=['address1','address2',...,'addressn']
但是因为我的文本文件很长,而且每个地址都在不同的行上,我得手动把每个地址放在 '' 里。所以我尝试用一个字符串,把所有地址用空格分开,然后把它转换成一个字符串列表。这是我想到的办法:
import numpy as np
from StringIO import StringIO
def conv(data):
array1=np.genfromtxt(StringIO(data),dtype="|S50")
lista1=[]
for el in array1:
lista1.append(el)
return lista1
input1='address1 address2 ... addressn'
当我调用这个函数时,得到的结果是:
>conv(input1)
>['address1', 'address2', 'addressn']
这个方法是可行的,但我遇到了一个问题:输入需要是横向的,所以我不能直接从文本文件复制地址并粘贴到字符串中,因为那样会变成:
input1="Davide
...:Michele
...:Giorgio
...:Paolo"
File "<ipython-input-4-6d70053fb94e>", line 1
input1="Davide
^
SyntaxError: EOL while scanning string literal
我该如何解决这个问题呢?如果有任何改进代码的建议,我会非常感激。我对 StringIO 模块几乎一无所知,今天第一次接触它,我相信可以写出比我现在的程序更高效的代码。顺便说一下,这就是整个程序:
def scan(data1,data2): #Strings
array1=np.genfromtxt(StringIO(data1),dtype="|S50")
array2=np.genfromtxt(StringIO(data2),dtype="|S50")
lista1=[]
lista2=[]
for el in array1:
lista1.append(el)
for el in array2:
lista2.append(el) #lista1 and lista2 are lists containing strings
num1,num2=len(lista1),len(lista2)
shared=[]
for el in lista1:
if el in lista2:
shared.append(el) #shared is the intersection of lista1 and lista2
if len(shared)==0:
print 'No shared elements'
return lista1+lista2
else:
for el in shared:
n1=lista1.count(el)
for i in range(n1):
lista1.remove(el) #Removes from lista1 the elements shared with lista2
n2=lista2.count(el) #as many times as they appear
for j in range(n2):
lista2.remove(el) #Removes from lista2 the elements shared with lista1
result=lista1+lista2 #as many times as they appear
print 'Addresses list 1:',num1
print 'Addresses list 2:',num2
print 'Useful Addresses:',len(list(set(result)))
return (list(set(result)))
这是一个示例,展示它是如何工作的:
data1="Davide John Kate Mary Susan"
data2="John Alice Clara Kate John Alex"
scan(data1,data2)
>Addresses list 1: 5
>Addresses list 2: 6
>Useful Addresses: 6
>['Alex', 'Susan', 'Clara', 'Alice', 'Mary', 'Davide']
谢谢你的帮助 :)
3 个回答
0
shared =[]
for el in lista1:
if el in lista2:
shared.append(el) #shared is the intersection of lista1 and lista2
In [10]: lista1=[1,2,3,4,5,6,7,8,9]
In [11]: lista2=[1,2,3,10,11,12,13]
In [12]: lista1=set(lista1)
In [13]: shared = lista1.intersection(lista2) # same as your loop above
In [14]: shared
Out[14]: {1, 2, 3}
for el in shared:
n1=lista1.count(el)
for i in range(n1):
lista1.remove(el) #Removes from lista1 the elements shared with lista2
n2=lista2.count(el) #as many times as they appear
for j in range(n2):
lista2.remove(el)
result=lista1+lista2
lista1=set(lista1)
In [15]: list(lista1.symmetric_difference(lista2))
Out[15]: [4, 5, 6, 7, 8, 9, 10, 11, 12, 13] # same as above.
如果你想要一个列表,只需要用 list(lista1.intersection(lista2))
这个代码就可以了。
1
在@irh的回答基础上,你可以使用sets
来找出两个集合的对称差异:也就是在list1和list2中存在,但不同时在两个集合里的元素。
list1 = ['address1', 'address2', 'address3']
list1 = ['address5', 'address4', 'address3']
result = list(set(list1) ^ set(list2))
>>> print result
['address1', 'address2', 'address4', 'address5'] #note result might be jumbled but that shouldn't matter
1
在多行字符串周围使用三重引号:
input1="""Davide
...:Michele
...:Giorgio
...:Paolo"""
这样的话,它们会通过换行符("\n"
)分开,所以你可以用 inpu1.split('\n')
把它变成一个列表。
使用集合对象后,你的操作就简单多了。要获取在 s1
中但不在 s2
中的元素,我们只需要用 s1 - s2
。并集用 |
表示,交集用 &
表示,所以总的来说就是这样。
s1 = set(input1.split('\n'))
s2 = set(input2.split('\n'))
adresses_in_only_one_file = (s1 | s2) - (s1 & s2)