Nie można zoptymalizować tego dalej, jeśli przechowujesz dane w zwykłym słowniku, ponieważ nie zapewnia niczego szybciej niż sekwencyjny dostęp do wszystkich elementów słownika w nieprzewidywalnej kolejności. Oznacza to, że twoje rozwiązanie nie jest szybsze niż O(n)
.
Teraz, bazy danych. Baza danych nie jest uniwersalnym rozwiązaniem jakiegokolwiek (wystarczająco złożonego) problemu. Czy możesz wiarygodnie oszacować szybkość/złożoność takich wyszukiwań dla bazy danych? Jeśli przewiniesz na dół tej odpowiedzi, zobaczysz, że w przypadku dużych zbiorów danych wydajność bazy danych może być znacznie gorsza niż w przypadku inteligentnej struktury danych.
Potrzebna jest ręcznie opracowana struktura danych. Istnieje wiele możliwości wyboru, bardzo zależy to od innych rzeczy, które robisz z tymi danymi.Na przykład: możesz przechowywać N
zestawów posortowanych list kluczy, każdy posortowany według n
-ty element krotki. Następnie możesz szybko wybrać N
posortowane zestawy elementów pasujących do jednego elementu krotki na pozycji n
i znaleźć ich przecięcie, aby uzyskać wyniki. Dałoby to średnią wydajność O(log n)*O(m)
, gdzie m jest średnią liczbą elementów w jednym podzbiorze.
Możesz też przechowywać przedmioty w drzewie k-d, co oznacza, że musisz zapłacić O(log n)
cenę wstawki, ale możesz wykonywać zapytania podobne do tych wymienionych powyżej w O(log n)
. Oto przykład w Pythonie, używając k-d realizację drzewo z scipy:
from scipy.spatial import kdtree
import itertools
import random
random.seed(1)
data = list(itertools.permutations(range(10), 4))
random.shuffle(data)
data = data[:(len(data)/2)]
tree = kdtree.KDTree(data)
def match(a, b):
assert len(a) == len(b)
for i, v in enumerate(a):
if v != b[i] and (v is not None) and (b[i] is not None):
return False
return True
def find_like(kdtree, needle):
assert len(needle) == kdtree.m
def do_find(tree, needle):
if hasattr(tree, 'idx'):
return list(itertools.ifilter(lambda x: match(needle, x),
kdtree.data[tree.idx]))
if needle[tree.split_dim] is None:
return do_find(tree.less, needle) + do_find(tree.greater, needle)
if needle[tree.split_dim] <= tree.split:
return do_find(tree.less, needle)
else:
return do_find(tree.greater, needle)
return do_find(kdtree.tree, needle)
def find_like_bf(kdtree, needle):
assert len(needle) == kdtree.m
return list(itertools.ifilter(lambda x: match(needle, x),
kdtree.data))
import timeit
print "k-d tree:"
print "%.2f sec" % timeit.timeit("find_like(tree, (1, None, 2, None))",
"from __main__ import find_like, tree",
number=1000)
print "brute force:"
print "%.2f sec" % timeit.timeit("find_like_bf(tree, (1, None, 2, None))",
"from __main__ import find_like_bf, tree",
number=1000)
i uruchomić testy Wyniki:
$ python lookup.py
k-d tree:
0.89 sec
brute force:
6.92 sec
Tylko dla zabawy, również dodaje odniesienia rozwiązanie oparte na bazie danych. Kod inicjalizacji zmieniło od góry do:
random.seed(1)
data = list(itertools.permutations(range(30), 4))
random.shuffle(data)
Teraz „bazy” realizacji:
import sqlite3
db = sqlite3.connect(":memory:")
db.execute("CREATE TABLE a (x1 INTEGER, x2 INTEGER, x3 INTEGER, x4 INTEGER)")
db.execute("CREATE INDEX x1 ON a(x1)")
db.execute("CREATE INDEX x2 ON a(x2)")
db.execute("CREATE INDEX x3 ON a(x3)")
db.execute("CREATE INDEX x4 ON a(x4)")
db.executemany("INSERT INTO a VALUES (?, ?, ?, ?)",
[[int(x) for x in value] for value in tree.data])
def db_test():
cur = db.cursor()
cur.execute("SELECT * FROM a WHERE x1=? AND x3=?", (1, 2))
return cur.fetchall()
print "sqlite db:"
print "%.2f sec" % timeit.timeit("db_test()",
"from __main__ import db_test",
number=100)
i wyniki testów, zmniejszonej o 100 działa za punkt odniesienia (dla wynikające 657720-elementowy zestaw kluczy) :
$ python lookup.py
building tree
done in 6.97 sec
building db
done in 11.59 sec
k-d tree:
1.90 sec
sqlite db:
2.31 sec
Warto również wspomnieć, że tworzenie drzewa zajęło prawie dwa razy mniej czasu, a następnie wstawienie tego zestawu danych testowych do bazy danych.
Kompletna źródło tutaj: https://gist.github.com/1261449
Can 'None's pojawiają się w dowolnym miejscu w' keyWords'? – NPE
+1 za zadawanie pytań, w których w odpowiedzi znajduje się słowo "reduce". – SingleNegationElimination
Tak, może być dowolna liczba Brak w dowolnej pozycji. – combatdave