对具有两个不断变化的 ID 的唯一用户进行分组

问题描述

你能想出一个更快的算法来解决这个问题吗？或者改进代码？

问题：

我有两个客户 ID：

• ID1（例如电话号码）
• ID2（例如电子邮件地址）

用户有时会更改其 ID1，有时会更改 ID2。怎么能 我找到了唯一身份用户？

示例：

ID1 = [7,7,8,9]

ID2 = [a,b,c]

预期结果：

ID3 = [Anna,Anna,Paul]

现实世界的场景大约有。每个列表 600 000 个项目。

这里已经有了一个 SQL 的想法：How can I match Employee IDs from 2 columns and group them into an array?

我从一个对 TypeScript 有这个想法的朋友那里得到了帮助：https://stackblitz.com/edit/typescript-leet-rewkmh?file=index.ts

我的第二个朋友帮我写了一些伪代码，我能够创建这个：

迄今为止最快（不再工作）的代码：

ID1 = [7,9]
ID2 = ["a","b","c"]

def timeit_function(ID1,ID2):
    
    def find_user_addresses():
        phone_i = []
        email_i = []
        
        tmp1 = [ID1[0]]
        tmp2 = []
        tmp_index = []

        while len(tmp1) != 0 or len(tmp2) != 0:
            while len(tmp1) != 0:
                tmp_index = []  
                for index,value in enumerate(ID1):
                    if value == tmp1[0]:
                        tmp2.append(ID2[index])
                        tmp_index.insert(-1,index)

                for i in tmp_index: 
                    del ID1[i]
                    del ID2[i]
                tmp1 = list(dict.fromkeys(tmp1))
                phone_i.append(tmp1.pop(0))

            while len(tmp2) != 0:
                tmp_index = [] 
                for index,value in enumerate(ID2):
                    if value == tmp2[0]:
                        tmp1.append(ID1[index])
                        tmp_index.insert(0,index)

                for i in tmp_index: 
                    del ID1[i]
                    del ID2[i]
                tmp2 = list(dict.fromkeys(tmp2))
                email_i.append(tmp2.pop(0))

        return phone_i,email_i
    
    users = {}
    i = 0
    while len(ID1) != 0:
        phone_i,email_i = find_user_addresses()
        users[i] = [phone_i,email_i]
        i += 1
    return users

输出：

{0: [[7,8],['a','b']],1: [[9],['c']]}

含义：{User_0: [[phone1,phone2],[email1,email2]],User_1: [phone3,email3]}

排名

排名	用户名	%timeit	唯一身份用户	正确的输出？
1.	扎卡里·万斯	每个循环 32 ms ± 1.9 ms（平均值 ± 标准偏差，7 次运行，每次 10 次循环）	1408	是的
2.	伊格里尼斯	每个循环 5.54 秒 ± 81.7 毫秒（平均值 ± 标准偏差。7 次运行，每个循环 1 个）	1408	是的
(3.)	dkapitan	每个循环 8 秒 ± 106 毫秒（平均值 ± 标准偏差。7 次运行，每个循环 1 个）	3606	没有
(4.)	thenarfer	每个循环 2.34 µs ± 3.25 µs（平均值 ± 标准偏差，7 次运行，每个循环 1 个）	1494	没有

代码使用两个列表 here 运行（加载需要一些时间）。

解决方法

这个想法很简单：

• 对于每个条目

  • 扫描所有现有用户，

    • 如果条目的任何维度与之前的用户匹配，则扩展其属性集，并将其添加到合并列表中

  • 如果与现有的任何人都不匹配，则创建一个新用户，

  • 否则将不同的用户分组

这应该很快，因为它只扫描列表一次并且不需要递归。

ID1 = [7,7,8,9]
ID2 = ["a","b","c"]
user = {}
new_user_idx = 0
for i in range(len(ID1)):
    merge = []   # this is a list of users that should be merged
    for k in user:
        # find if any feature is already found in previous user  
        if ID1[i] in user[k][0]:
            user[k][1].add(ID2[i])
            merge.append(k)
        if ID2[i] in user[k][1]:
            user[k][0].add(ID1[i])
            merge.append(k)
    if not merge:
        # we have to create a new user
        user[new_user_idx] = (set([ID1[i]]),set([ID2[i]]))
        new_user_idx += 1
    elif len(merge)>1:
        # merging existing users
        for el in set(merge[1:]):
            if el==merge[0]: continue  # skip unnecessary merge
            user[merge[0]][0].update(user[el][0]) # copy attributes
            user[merge[0]][1].update(user[el][1])
            user.pop(el) # delete merged user
print(user)   


{0: ({7,8},{'a','b'}),1: ({9},{'c'})}
 

,

用套装试试：

%%timeit
ID1 = [7,"c"]

users = {0: {'phone': set([ID1[0]]),'email': set([ID2[0]])}}

for index,id1 in enumerate(ID1):
    id2 = ID2[index]
    
    # iterate over found list of users
    i = 0
    n_users = max(users.keys()) 
    while i <= n_users:
        if any([(id1 in users[i]['phone']),(id2 in users[i]['email'])]):
            users[i]['phone'].add(id1)
            users[i]['email'].add(id2)
            break
        i += 1

    # add new user if not found
    if i > n_users:
        users[i] = {'phone': set([id1]),'email': set([id2])}

,

不要使用包含 5 个元素的列表运行 timeit。这不是评估竞争者的有效方法。使用更大的列表（1000+）来测试性能，否则你实际上不会得到你想要的快速程序。

我会毫不犹豫地使用 O(N) 最坏情况算法（不依赖于用户数量）。

我会指出其他算法的性能在很大程度上取决于典型用户拥有的 ID 数量。这个专门用于为每个用户提供大量 ID。

ID1 = [7,"c"]

from collections import defaultdict

id1_to_id2 = defaultdict(set)
id2_to_id1 = defaultdict(set)
for id1,id2 in zip(ID1,ID2):
    id1_to_id2[id1].add(id2)
    id2_to_id1[id2].add(id1)

id1_to_user = {}
users = {}
for id1 in id1_to_id2:
    if id1 in id1_to_user:
        continue # Already processed

    # Find all id1 and id2 for this user,using 'floodfill'
    id1s = {id1}
    id2s = set()
    id1_queue = [id1]
    while len(id1_queue) > 0:
        old_id2s = id2s.copy()
        for id1 in id1_queue:
            id2s.update(id1_to_id2[id1]) # try using id2_queue = set().union(id1_to_id2[id1] for id1 in id1_queue)-id2s; id2s |= id2_queue as well in case it's faster
        id2_queue = id2s - old_id2s
        id1_queue = []
        old_id1s = id1s.copy()
        for id2 in id2_queue:
            id1s.update(id2_to_id1[id2])
        id2_queue = []
        id1_queue = id1s - old_id1s
    user = len(users)
    users[user] = [id1s,id2s]
    for id1 in id1s:
        id1_to_user[id1] = user

print(users)