做字谜组的更好方法

Question

处理下面的分组字谜问题。我目前的解决方案是按字符对每个单词进行排序，然后将相同的排序值映射到字典中。

想知道是否有更好的想法，有较少的算法时间复杂度？我正在考虑不做排序的方法，比如散列，但是散列也需要单词的顺序特征。

发布问题和我的代码，用Python2.7编写。

问题，

给出一个单词列表，比如老鼠，明星，艺术，cie，冰，把相同的字谜组合成桶，然后输出它们。老鼠，明星，艺术

源代码

from collections import defaultdict
def group_anagram(anagrams):
    result = defaultdict(list)
    for a in anagrams:
        result[''.join(sorted(list(a)))].append(a)
    return result

if __name__ == "__main__":
    anagrams = ['rats', 'star', 'arts', 'cie', 'ice']
    print group_anagram(anagrams)

Answer 1

你现在的方法可能是最好的。为了测试一些东西，我使用了您的方法，这个方法来自@bigballer的优秀答案，第三种方法使用一个计数元组作为密钥。为了对这些方法进行压力测试，我在海量(264,097个单词)单词列表打呵欠上使用了这些方法，运行了每个函数100次，并计算了每种方法的平均时间：

from collections import defaultdict
import timeit

def group_anagram1(anagrams):
    result = defaultdict(list)
    for a in anagrams:
        result[''.join(sorted(a))].append(a)
    return result.values()

primes = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97, 101]

def group_anagram2(anagrams):
    result = defaultdict(list)
    for a in anagrams:
        n = 1
        for c in a:
            n *= primes[ord(c) - ord('a')]
        result[n].append(a)
    return result.values()

def group_anagram3(anagrams):
    result = defaultdict(list)
    for a in anagrams:
        counts = [0]*26
        for c in a:
            counts[ord(c) - ord('a')] += 1
        result[tuple(counts)].append(a)
    return result.values()



with open("yawl.txt") as f:
    words = f.readlines()
    words =[w.strip() for w in words]

print timeit.timeit("group_anagram1(words)", setup="from __main__ import group_anagram1,words",number = 100)/100.0
print timeit.timeit("group_anagram2(words)", setup="from __main__ import group_anagram2,words",number = 100)/100.0
print timeit.timeit("group_anagram3(words)", setup="from __main__ import group_anagram3,words",number = 100)/100.0

输出(在我的机器YMMV上)：

0.486009083239
0.64333226691
0.797640375079

实际上，考虑到yawl的大小，所有的方法都非常快，每种方法处理超过25万字的时间都不到一秒。尽管如此，你最初的方法显然是赢家。此外，它并不局限于拉丁文'a'到'z'字母表。至于为什么它是最好的--键直接由Python内置(运行优化的C代码)构建，但其他方法使用解释的Python代码。这是很难击败内置的。

On Edit：我使用这个素数列表重新实现了第二种方法，以便将更频繁的字母(在英语中)分配给较小的素数：

primes = [5,71,37,29,2,53,59,19,11,83,79,31,43,13,7,67,97,23,17,3,41,73,47,89,61,101]

它节省了一小部分时间，但远远不足以使它比第一种方法更快。

关于进一步编辑

我重新运行上述代码，并对第二个方法进行了以下修改(如@bigballer所建议的)：

primes = [5,71,37,29,2,53,59,19,11,83,79,31,43,13,7,67,97,23,17,3,41,73,47,89,61,101]
primes = {c:p for c,p in zip('abcdefghijklmnopqrstuvwxyz',primes)}

def group_anagram2(anagrams):
    result = defaultdict(list)
    for a in anagrams:
        n = 1
        for c in a:
            n *= primes[c]
        result[n].append(a)
    return result.values()

在这个版本中，前两个方法下降到一个虚拟绑定，在我有限的测试中，基于素数的方法稍微快一些(大约快8%)。尽管如此，我仍然认为第一种方法更好，因为它不依赖于固定的字母表。

Answer 2

素数分解是唯一的，乘法的顺序并不重要。

您可以指定a = 2, b = 3, c = 5, d = 7等。

然后dab =7*2*3= 42 =3*2*7= bad，所以您的散列数为42。

另一种选择是高效地实现hash(frozenset(collections.Counter(word).items()))

编辑:最快的可能是使用26位。对于单词中的每个字符，翻转与其对应的位。您可能会遇到一些碰撞，在这种情况下，您可以进行查找。