Python高效统计字典嵌套列表值在目标列表中的出现次数

---

本文将介绍如何在python中高效地统计一个字典中嵌套列表的值在另一个目标列表中的总出现次数。针对常见但效率低下的o(n³)嵌套循环方法，文章提出了一种通过预处理目标列表来优化性能的o(n)解决方案，并详细分析其实现原理、代码示例及性能优势。

引言

在Python编程中，我们有时会遇到这样的需求：给定一个字典 my_dict，其键对应的值是一个列表；同时给定一个独立的目标列表 my_list。我们的目标是创建一个新的字典，其中包含 my_dict 的所有键，但对应的值是该键所关联的列表中所有元素在 my_list 中出现的总次数。

例如，考虑以下数据：

my_dict = {'A': ['A', 'B'], 'B': ['C', 'D'], 'C': ['E', 'F']}
my_list = ['A', 'D', 'A', 'C', 'F', 'F']

我们期望的输出是 {'A': 2, 'B': 2, 'C': 2}。这是因为：

• 对于键 'A'，其关联列表为 ['A', 'B']。在 my_list 中，'A' 出现了2次，'B' 出现了0次，总计2次。
• 对于键 'B'，其关联列表为 ['C', 'D']。在 my_list 中，'C' 出现了1次，'D' 出现了1次，总计2次。
• 对于键 'C'，其关联列表为 ['E', 'F']。在 my_list 中，'E' 出现了0次，'F' 出现了2次，总计2次。

原始思路及性能考量

初学者可能会倾向于使用多层嵌套循环来解决这个问题。一种直观但效率不高的思路是：对于 my_dict 中的每个键及其关联列表，遍历该列表中的每个元素，然后针对每个元素再次遍历 my_list 来统计其出现次数。

这种方法通常会导致极差的性能。具体来说，其时间复杂度会达到 O(N³)，其中：

1. 最外层循环遍历 my_dict 的键（假设有 K 个键）。
2. 中间层循环遍历每个键对应的嵌套列表中的元素（假设最长嵌套列表有 M 个元素）。
3. 最内层操作是在 my_list 中查找元素是否存在或统计其出现次数。在Python中，对列表使用 in 操作符或遍历查找的平均时间复杂度是 O(N)，其中 N 是 my_list 的长度。

因此，总的迭代次数大致为 K * M * N。在上述示例中，这相当于 3 * 2 * 6 = 36 次基本操作，对于小规模数据尚可接受。但当 K、M、N 变得很大时，O(N³) 的性能会迅速导致程序运行缓慢甚至崩溃。例如，如果 my_list 很大，每次在 my_list 中查找一个元素，都需要遍历 my_list 的大部分内容，这会重复进行大量不必要的计算。

优化方案：预处理与O(N)算法

为了显著提升性能，我们可以采用一种预处理策略，将时间复杂度从 O(N³) 降低到 O(N)。核心思想是：首先对 my_list 进行一次遍历，统计其中每个元素的出现次数，并将其存储在一个字典中。由于字典的查找和插入操作平均时间复杂度为 O(1)，这使得后续的计数汇总变得极其高效。

下面是使用纯Python实现此优化方案的函数：

Tripo AI

AI驱动的3D建模平台

970 查看详情

代码示例

def count_nested_values(my_dict: dict, my_list: list) -> dict:
    """
    高效统计字典嵌套列表值在目标列表中出现的总次数。

    参数:
        my_dict (dict): 键为字符串，值为字符串列表的字典。
        my_list (list): 包含字符串元素的目标列表。

    返回:
        dict: 一个新字典，键为my_dict的键，值为对应元素在my_list中出现的总次数。
    """
    # 步骤1: 预处理my_list，统计每个元素的出现次数
    # 使用字典存储计数，实现O(1)查找
    counts = {}
    for list_val in my_list:
        counts[list_val] = counts.get(list_val, 0) + 1

    # 步骤2: 遍历my_dict，根据预处理的counts字典汇总计数
    new_dict = {}
    for key, associated_list in my_dict.items():
        new_dict[key] = 0  # 初始化当前键的总计数
        # 遍历与当前键关联的列表中的每个元素
        for item_in_associated_list in associated_list:
            # 从预处理的counts字典中获取该元素的出现次数
            # 使用.get()方法，如果元素不存在于my_list中，则默认为0，避免KeyError
            new_dict[key] += counts.get(item_in_associated_list, 0)

    return new_dict

# 示例用法
my_dict = {'A': ['A', 'B'], 'B': ['C', 'D'], 'C': ['E', 'F']}
my_list = ['A', 'D', 'A', 'C', 'F', 'F']

result = count_nested_values(my_dict, my_list)
print(result)

输出:

{'A': 2, 'B': 2, 'C': 2}

性能分析

让我们详细分析上述优化方案的性能：

1. 步骤1: 预处理 my_list

   • 此步骤通过一次循环遍历 my_list 中的所有元素。
   • 对于每个元素，将其作为键存入 counts 字典，并更新其计数。字典的插入和查找操作平均时间复杂度为 O(1)。
   • 因此，此步骤的总时间复杂度为 O(N_list)，其中 N_list 是 my_list 的长度。

2. 步骤2: 遍历 my_dict 并汇总计数

   • 此步骤首先遍历 my_dict 的所有键值对。假设 my_dict 有 K 个键。
   • 对于每个键，它会遍历其关联的嵌套列表中的所有元素。假设所有嵌套列表中的元素总数为 N_nested_values。
   • 在内部循环中，我们使用 counts.get(item, 0) 来获取元素的出现次数。由于 counts 是一个字典，此查找操作的平均时间复杂度为 O(1)。
   • 因此，此步骤的总时间复杂度为 O(K + N_nested_values)。

综合以上两步，整个算法的整体时间复杂度为 O(N_list + K + N_nested_values)。在最坏情况下，这可以简化为 O(N)，其中 N 是输入数据（my_list 长度和 my_dict 中所有元素的总数）的最大规模。

与 O(N³) 的原始方法相比，O(N) 的算法在处理大规模数据时具有压倒性的性能优势。例如，如果 N 为 1000，O(N³) 意味着 10亿次操作，而 O(N) 仅意味着 1000次操作。

注意事项与总结

• 内存与时间权衡: 这种优化方案通过引入一个中间字典 counts 来存储 my_list 的预处理结果。这意味着会消耗额外的内存空间，用于存储 counts 字典。然而，这种内存开销通常是可接受的，因为它带来了显著的时间性能提升。在大多数实际应用中，时间性能往往比少量内存消耗更受关注。
• 适用场景: 对于输入数据规模较小（例如，my_list 和 my_dict 中的元素数量都在几十或几百以内）的场景，O(N³) 的简单方法可能也能快速完成任务，此时过度优化可能没有必要。但一旦数据规模增长，性能瓶颈就会显现，此时采用 O(N) 算法是至关重要的。
• 可读性: 优化后的代码虽然比最简单的嵌套循环稍长，但其逻辑结构清晰，分为“预处理”和“汇总”两个明确的阶段，使得代码更易于理解和维护。
• Pythonic替代方案: 在Python的标准库 collections 中，Counter 类提供了更简洁的方式

以上就是Python高效统计字典嵌套列表值在目标列表中的出现次数的详细内容，更多请关注其它相关文章！

# 值为  # 荥阳教育网站建设  # 网站建设巩义哪家强  # 页游网站如何推广的  # 提升公众号关键词排名  # 玉树抖音seo优化  # 抚顺网站建设联系电话  # 现在如何做网站推广  # 大兴区电子电气网站建设  # 东莞网站推广文案  # 呼伦贝尔整合营销推广  # 是在  # 就会  # python  # 几种  # 浮点  # 键值  # 是一个  # 出现了  # 列表中  # 遍历  # 标准库  # 键值对  # 性能瓶颈  # python编程 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： Python自动化抓取GBGB赛狗比赛结果：日期范围与赛道筛选教程  POKI小游戏在线免费入口链接 POKI小游戏无下载秒玩玩  《via浏览器》强制缩放网页设置方法  小米倒班助手添加日历提醒  铁路12306入口 铁路12306官网版入口登录网址  Win10如何彻底关闭OneDrive Win10禁用云同步功能【纯净】  《鹿路通》退余额方法  申通快递查询 申通物流快递单实时查询入口  如何修改Windows截图的默认保存位置_告别C盘让桌面更整洁【教程】  如何在CSS中清除浮动解决背景颜色不包裹内容问题_clear after技巧  Lar*el Eloquent：高效删除多对多关系中无关联子记录的父模型  微博网页版入口链接 微博网页版在线互动平台  解决CSS布局中意外顶部空白问题的教程  电脑双系统如何安装和卸载 Windows和Linux双系统安装教程【详解】  《我的恋爱逃生攻略》中文名字输入方法  123网页端官方登录页 123邮箱网页版即时通讯服务  《新三国志曹操传》游历事件袁尚突围攻略  智学网app怎么登录忘记密码_智学网app忘记密码找回与重新登录操作方法  iPhone16Plus参数配置如何调整声音_iPhone16Plus参数配置声音调整详细方法  小红书如何引流到私信？引流到私信有用吗？  苹果官网国补入口在哪  LocoySpider如何批量采集电商商品_LocoySpider电商采集的模板应用  vivo手机视频通话美颜怎么设置_vivo视频通话美颜开启方法  顺丰快递收费标准查询_如何查看顺丰最新收费价格  鲁班大师乓乓皮肤获取方法  使用逻辑应用（Logic Apps）自动处理邮件附件中的XML到Excel  盲鳗善于分泌黏液猜猜主要用来做什么  猫眼电影app如何筛选支持退改签的影院_猫眼电影退改签影院筛选方法  如何在CSS中使用absolute实现登录弹窗居中_transform translate结合  Excel如何快速找到并断开外部数据源链接_Excel外部数据源断开方法  《环球网校》设置报考省市方法  曝《丝之歌》DLC有望开发！开发商还有神秘新企划  Safari浏览器自动填表功能失效怎么办 Safari表单管理修复  创建快捷方式启动系统保护  传统曲艺莲花落的表演形式是  手机坏了微信聊天记录怎么导出来 新手机恢复聊天记录技巧  Python定时发送QQ消息  晓晓优选app支付宝绑定方法  Go Template中优雅处理循环最后一项：自定义函数实践  英国搜索：多数英国人认为语言搜索是未来搜索  智慧团建活动报名入口 智慧团建活动报名入口手机端官网​  风车动漫官网首页入口登录 风车动漫在线观看正版地址  J*aScript与HTML元素交互：图片点击事件与链接处理教程  《一起考教师》账号注销方法  驱动人生：游戏修复指南  《崩坏：星穹铁道》3.6版本异相仲裁打法及配队推荐  J*a中导出MySQL表为SQL脚本的两种方法  使用Python和NLTK从文本中高效提取名词的实用教程  之了课堂app做题入口  猫眼电影app怎么查询电影院的营业时间_猫眼电影影院营业时间查询教程 

 2025-11-29