blocks|key|1226290|text|这个数组排序了吗？|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1226291|我认为最快的解决方案是堆排序或快速排序，然后遍历数组，找到重复项。|1226292|entityMap^0|0|0^^$0|@$1|2|3|4|5|6|7|F|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|G|8|@]|9|@]|A|$]]|$1|D|3|-4|5|6|7|H|8|@]|9|@]|A|$]]]|E|$]]

Is this array sorted?

I think the fastest solution can be a heap sort or quick sort, and after go through the array, and find the duplicates.

blocks|key|1226342|text|如果它适合内存，则使用set()。我认为它会比排序更快。对于500万个项目，O(n+log+n)将花费您。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1226343|如果它不能存储在内存中，那么就说你已经记录了500多万条记录，分而治之。在中点打破记录，比如1x2%5E127。应用上述任何一种方法。我猜信息论有助于说明一个好的散列函数将均匀地分配密钥。因此，除以中点的方法应该很有效。|1226344|您还可以应用分而治之，即使它可以放入内存。对2x250万条记录进行排序比对5百万条记录进行排序更快。|1226345|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|H|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|I|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|J|8|@]|9|@]|A|$]]|$1|F|3|-4|5|6|7|K|8|@]|9|@]|A|$]]]|G|$]]

If it fits into memeory, use set(). I think it will be faster than sort. O(n log n) for 5 million items is going to cost you.

If it does not fit into memory, say you've lot more than 5 million record, divide and conquer. Break the records at the mid point like 1 x 2^127. Apply any of the above methods. I guess information theory helps by stating that a good hash function will distribute the keys evenly. So the divide by mid point method should work great.

You can also apply divide and conquer even if it fit into memory. Sorting 2 x 2.5 mil records is faster than sorting 5 mil records.

blocks|key|1920254|text|将它们加载到内存中(5M+x+64B+=+320MB)，对它们进行排序，然后扫描它们以查找重复项。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1920255|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|D|8|@]|9|@]|A|$]]|$1|B|3|-4|5|6|7|E|8|@]|9|@]|A|$]]]|C|$]]

Load them into memory (5M x 64B = 320MB), sort them, and scan through them finding the duplicates.

blocks|key|1223441|text|在Python2.7%2B中，对于较旧的Python，可以使用collections.Counter，使用collections.deaultdict(int)。任何一种方法都是O(n)。|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|1223442|首先做一个包含一些散列的列表|1223443|>>>+import+hashlib
>>>+s=[hashlib.sha1(str(x)).digest()+for+x+in+(1,2,3,4,5,1,2)]
>>>+s
['5j\x19%2By\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab',+'\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0',+'w\xdeh\xda\xec\xd8#\xba\xbb\xb5\x8e\xdb\x1c\x8e\x14\xd7\x10n\x83\xbb',+'\x1bdS\x89$s\xa4g\xd0sr\xd4%5E\xb0Z\xbc+1dz',+'\xac4x\xd6\x9a<\x81\xfab\xe6\x0f\\6\x96\x16ZN%5Ej\xc4',+'5j\x19%2By\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab',+'\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0']|code-block|syntax|javascript|1223444|如果您使用的是Python2.7或更高版本|1223445|>>>+from+collections+import+Counter
>>>+c=Counter(s)
>>>+duplicates+=+[k+for+k+in+c+if+c[k]>1]
>>>+print+duplicates
['\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0',+'5j\x19%2By\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab']|1223446|如果您使用的是Python2.6或更早版本|1223447|>>>+from+collections+import+defaultdict
>>>+d=defaultdict(int)
>>>+for+i+in+s:
...++d[i]%2B=1
...+
>>>+duplicates+=+[k+for+k+in+d+if+d[k]>1]
>>>+print+duplicates
['\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0',+'5j\x19%2By\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab']|1223448|entityMap^0|T|J|1F|R|0|0|0|0|0|0|0^^$0|@$1|2|3|4|5|6|7|W|8|@$9|X|A|Y|B|C]|$9|Z|A|10|B|C]]|D|@]|E|$]]|$1|F|3|G|5|6|7|11|8|@]|D|@]|E|$]]|$1|H|3|I|5|J|7|12|8|@]|D|@]|E|$K|L]]|$1|M|3|N|5|6|7|13|8|@]|D|@]|E|$]]|$1|O|3|P|5|J|7|14|8|@]|D|@]|E|$K|L]]|$1|Q|3|R|5|6|7|15|8|@]|D|@]|E|$]]|$1|S|3|T|5|J|7|16|8|@]|D|@]|E|$K|L]]|$1|U|3|-4|5|6|7|17|8|@]|D|@]|E|$]]]|V|$]]

In Python2.7+ you can use <code>collections.Counter</code> for older Python use <code>collections.deaultdict(int)</code>. Either way is O(n).

first make a list with some hashes in it

<pre><code>&gt;&gt;&gt; import hashlib
&gt;&gt;&gt; s=[hashlib.sha1(str(x)).digest() for x in (1,2,3,4,5,1,2)]
&gt;&gt;&gt; s
['5j\x19+y\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab', '\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0', 'w\xdeh\xda\xec\xd8#\xba\xbb\xb5\x8e\xdb\x1c\x8e\x14\xd7\x10n\x83\xbb', '\x1bdS\x89$s\xa4g\xd0sr\xd4^\xb0Z\xbc 1dz', '\xac4x\xd6\x9a&lt;\x81\xfab\xe6\x0f\\6\x96\x16ZN^j\xc4', '5j\x19+y\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab', '\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0']
</code></pre>

If you are using Python2.7 or later

<pre><code>&gt;&gt;&gt; from collections import Counter
&gt;&gt;&gt; c=Counter(s)
&gt;&gt;&gt; duplicates = [k for k in c if c[k]&gt;1]
&gt;&gt;&gt; print duplicates
['\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0', '5j\x19+y\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab']
</code></pre>

if you are using Python2.6 or earlier

<pre><code>&gt;&gt;&gt; from collections import defaultdict
&gt;&gt;&gt; d=defaultdict(int)
&gt;&gt;&gt; for i in s:
... d[i]+=1
... 
&gt;&gt;&gt; duplicates = [k for k in d if d[k]&gt;1]
&gt;&gt;&gt; print duplicates
['\xdaK\x927\xba\xcc\xcd\xf1\x9c\x07`\xca\xb7\xae\xc4\xa85\x90\x10\xb0', '5j\x19+y\x13\xb0LTWM\x18\xc2\x8dF\xe69T(\xab']
</code></pre>

blocks|key|478218|text|您说您有一个大约有500万个字符串的列表，该列表可能包含重复的字符串。你不需要说(1)你想要怎样处理这些重复的数据(记录它们，删除所有的，只有一次出现，...)+(2)你想要对非重复的数据做什么(3)这个列表是否是一个独立的结构，或者字符串是否是你没有提到的其他数据的键(4)为什么你不在输入时删除重复数据，而是构建一个包含重复数据的列表。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|478219|作为数据结构和算法101练习，您所接受的答案是无稽之谈。如果您有足够的内存，使用集合检测重复项应该比排序列表并扫描它更快。请注意，从大小为N的列表中删除M个项目是O(MN)。每种替代方案的代码都很简短且相当明显；为什么不尝试编写它们，对它们进行计时，然后返回报告？|478220|如果这是一个现实世界的问题，如果你想要一个合理的答案，你需要提供更多的信息。|478221|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|H|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|I|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|J|8|@]|9|@]|A|$]]|$1|F|3|-4|5|6|7|K|8|@]|9|@]|A|$]]]|G|$]]

You say you have a list of about 5 million strings, and the list may contain duplicates. You don't say (1) what you want to do with the duplicates (log them, delete all but one occurrence, ...) (2) what you want to do with the non-duplicates (3) whether this list is a stand-alone structure or whether the strings are keys to some other data that you haven't mentioned (4) why you haven't deleted duplicates at input time instead building a list containing duplicates.

As a Data Structures and Algorithms 101 exercise, the answer you have accepted is a nonsense. If you have enough memory, detecting duplicates using a set should be faster than sorting a list and scanning it. Note that deleting M items from a list of size N is O(MN). The code for each of the various alternatives is short and rather obvious; why don't you try writing them, timing them, and reporting back?

If this is a real-world problem that you have, you need to provide much more information if you want a sensible answer.

how would i search through a list with ~5 mil 128bit (or 256, depending on how you look at it) strings quickly and find the duplicates (in python)? i can turn the strings into numbers, but i don't think that's going to help much. since i haven't learned much information theory, is there anything about this in information theory? 

and since these are hashes already, there's no point in hashing them again

Searching through large data set

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我如何快速搜索一个包含5mil 128bit (或256，取决于您如何看待它)字符串的列表，并找到重复的字符串(在python中)？我可以将字符串转换为数字，但我认为这不会有太大帮助。既然我学的信息论不多，信息论里面有没有关于这方面的东西？因为这些已经是散列了，所以没有必要再次散列它们

问搜索大数据集
EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问搜索大数据集EN

回答 5

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问搜索大数据集
EN