Я обнаружил, что существует несколько способов удаления дублированных данных. Однако по очевидным причинам ни один из них (по крайней мере, то, что я нашел) полностью удаляет дубликаты, а поддерживает единственную уникальную точку данных. Однако для моей модели я пришел к выводу, что это приводит к некоторому ошибочному поведению и задается вопросом, есть ли способ удалить всех кандидатов из дубликатов. Чтобы быть более ясным, если данные приведены ниже:
x = [[1, 2, 3, 4],
[1, 2, 3, 4],
[5, 2, 1, 4],
[5, 2, 1, 4],
[3, 4, 2, 4]]
Тогда я хочу ничего, кроме последней строки [3, 4, 2, 4], где дубликаты полностью удаляются (я пытаюсь найти правильное выражение). Я попытался использовать цикл "for" (извлекая данные, которые были не уникальными, и сравнивая их с уникальным набором данных, а затем удаляя их), однако мои данные составляют около 50 тыс., И это занимает слишком много времени. Есть ли эффективный способ сделать это в python?
PS на всякий случай, я использовал код ниже, чтобы найти уникальный набор точек данных
temp = np.ascontiguousarray(raw_input).view(np.dtype((np.void, raw_input.dtype.itemsize*raw_input.shape[1])))
_, idx = np.unique(temp, return_index = True)
input_data = raw_input[idx] # unique input data
output_data = output_label[idx]
Пребывание в "стандартном" Python,
from collections import Counter
c = Counter(map(tuple, x))
output_data = [list(k) for k, v in c.items() if v == 1]
Если вы хотите узнать индексы (в x
) строк, которые были удалены (поскольку они дублировали), вы можете сделать следующее:
rem = [idx for idx, k in enumerate(x) if c[tuple(k)] > 1]
Альтернативно (или предпочтительно) с использованием numpy
:
u, invidx, cnt = np.unique(x, axis=0, return_inverse=True, return_counts=True)
rem = np.flatnonzero(cnt[invidx] > 1)
output_data = u[cnt == 1]
In [1]: from collections import Counter
In [2]: x = [[1, 2, 3, 4],
...: [1, 2, 3, 4],
...: [5, 2, 1, 4],
...: [5, 2, 1, 4],
...: [3, 4, 2, 4]]
...:
In [3]: c = Counter(map(tuple, x))
In [4]: output_data = [list(k) for k, v in c.items() if v == 1]
In [5]: print(output_data)
[[3, 4, 2, 4]]
numpy
:In [30]: u, invidx, cnt = np.unique(x, axis=0, return_inverse=True,
...: return_counts=True)
In [31]: print(u)
[[1 2 3 4]
[3 4 2 4]
[5 2 1 4]]
In [32]: print(invidx)
[0 0 2 2 1]
In [33]: print(cnt)
[2 1 2]
In [34]: rem = np.flatnonzero(cnt[invidx] > 1)
In [35]: output_data = u[cnt == 1]
In [36]: print(rem)
[0 1 2 3]
In [37]: print(output_data)
[[3 4 2 4]]
это работает для вас?:
a=[[1,2],[1,2],[2,3],[3,4],[3,4]]
b=a[:]
for i in range(len(a)-1,0,-1):
if a[i] == a[i-1]:
del b[i-1:i+1]
# a == [[1, 2], [1, 2], [2, 3], [3, 4], [3, 4]]
# b == [[2, 3]]
Проверь это
final_list = list(filter(lambda tup:x.count(list(tup))==1, list(set(map(tuple,x)))))
list(map(list,final_list))
tup
) вы просите массив x
подсчитать, сколько раз эта строка повторяется. Теперь вы сделали это квадратичной проблемой времени.
final_list = list(filter(lambda tup:x.count(list(tup))==1, list(set(map(tuple,x)))))
list(map(list,final_list))
для лучшей сложности случая
Может быть, смените ваши массивы на сеты? Набор поддерживает только уникальные значения.