在 .NET 中高效合并字符串数组,保留不同的值

本文关键字:保留 数组 NET 高效 合并 字符串 | 更新日期: 2023-09-27 17:47:21

我正在使用.NET 3.5。 我有两个字符串数组,它们可能共享一个或多个值:

string[] list1 = new string[] { "apple", "orange", "banana" };
string[] list2 = new string[] { "banana", "pear", "grape" };

我想要一种方法将它们合并到一个没有重复值的数组中:

{ "apple", "orange", "banana", "pear", "grape" }

我可以用 LINQ 做到这一点:

string[] result = list1.Concat(list2).Distinct().ToArray();

但我想这对于大型阵列来说不是很有效。

有没有更好的方法?

在 .NET 中高效合并字符串数组,保留不同的值

string[] result = list1.Union(list2).ToArray();

来自 msdn:"此方法从返回集中排除重复项。这与 Concat(TSource) 方法的行为不同,后者返回输入序列中的所有元素,包括重复项。

你为什么认为它会是低效的?据我所知,Concat 和 Distinct 都是懒惰地评估的,在幕后使用 HashSet 让 Distinct 跟踪已经返回的元素。

我不确定您如何设法以一般方式使其更有效率:)

编辑:Distinct实际上使用Set(内部类)而不是HashSet,但要点仍然是正确的。这是一个很好的例子,说明了 LINQ 是多么整洁。最简单的答案几乎与无需更多领域知识即可实现的效率一样高。

效果相当于:

public static IEnumerable<T> DistinctConcat<T>(IEnumerable<T> first, IEnumerable<T> second)
{
    HashSet<T> returned = new HashSet<T>();
    foreach (T element in first)
    {
        if (returned.Add(element))
        {
            yield return element;
        }
    }
    foreach (T element in second)
    {
        if (returned.Add(element))
        {
            yield return element;
        }
    }
}
.

NET 3.5引入了可以做到这一点的HashSet类:

IEnumerable<string> mergedDistinctList = new HashSet<string>(list1).Union(list2);

不确定性能,但它应该击败您给出的 Linq 示例。

编辑:我站正了。 Concat 和 Distinct 的延迟实现具有关键内存和速度优势。 Concat/Distinct 的速度提高了约 10%,并保存了多个数据副本。

我通过代码确认:

Setting up arrays of 3000000 strings overlapping by 300000
Starting Hashset...
HashSet: 00:00:02.8237616
Starting Concat/Distinct...
Concat/Distinct: 00:00:02.5629681

是以下各项的输出:

        int num = 3000000;
        int num10Pct = (int)(num / 10);
        Console.WriteLine(String.Format("Setting up arrays of {0} strings overlapping by {1}", num, num10Pct));
        string[] list1 = Enumerable.Range(1, num).Select((a) => a.ToString()).ToArray();
        string[] list2 = Enumerable.Range(num - num10Pct, num + num10Pct).Select((a) => a.ToString()).ToArray();
        Console.WriteLine("Starting Hashset...");
        Stopwatch sw = new Stopwatch();
        sw.Start();
        string[] merged = new HashSet<string>(list1).Union(list2).ToArray();
        sw.Stop();
        Console.WriteLine("HashSet: " + sw.Elapsed);
        Console.WriteLine("Starting Concat/Distinct...");
        sw.Reset();
        sw.Start();
        string[] merged2 = list1.Concat(list2).Distinct().ToArray();
        sw.Stop();
        Console.WriteLine("Concat/Distinct: " + sw.Elapsed);

免责声明 这是过早的优化。对于示例数组,请使用 3.5 扩展方法。在知道此区域中存在性能问题之前,应使用库代码。


如果可以对数组进行排序,或者在到达代码中的该点时对数组进行排序,则可以使用以下方法。

这些将从两个源中提取一个项目,并生成"最低"项目,然后从相应的源获取一个新项目,直到两个源都用尽。如果从两个源获取的当前项目相等,它将生成来自第一个源的项目,并在两个源中跳过它们。

private static IEnumerable<T> Merge<T>(IEnumerable<T> source1,
    IEnumerable<T> source2)
{
    return Merge(source1, source2, Comparer<T>.Default);
}
private static IEnumerable<T> Merge<T>(IEnumerable<T> source1,
    IEnumerable<T> source2, IComparer<T> comparer)
{
    #region Parameter Validation
    if (Object.ReferenceEquals(null, source1))
        throw new ArgumentNullException("source1");
    if (Object.ReferenceEquals(null, source2))
        throw new ArgumentNullException("source2");
    if (Object.ReferenceEquals(null, comparer))
        throw new ArgumentNullException("comparer");
    #endregion
    using (IEnumerator<T>
        enumerator1 = source1.GetEnumerator(),
        enumerator2 = source2.GetEnumerator())
    {
        Boolean more1 = enumerator1.MoveNext();
        Boolean more2 = enumerator2.MoveNext();
        while (more1 && more2)
        {
            Int32 comparisonResult = comparer.Compare(
                enumerator1.Current,
                enumerator2.Current);
            if (comparisonResult < 0)
            {
                // enumerator 1 has the "lowest" item
                yield return enumerator1.Current;
                more1 = enumerator1.MoveNext();
            }
            else if (comparisonResult > 0)
            {
                // enumerator 2 has the "lowest" item
                yield return enumerator2.Current;
                more2 = enumerator2.MoveNext();
            }
            else
            {
                // they're considered equivalent, only yield it once
                yield return enumerator1.Current;
                more1 = enumerator1.MoveNext();
                more2 = enumerator2.MoveNext();
            }
        }
        // Yield rest of values from non-exhausted source
        while (more1)
        {
            yield return enumerator1.Current;
            more1 = enumerator1.MoveNext();
        }
        while (more2)
        {
            yield return enumerator2.Current;
            more2 = enumerator2.MoveNext();
        }
    }
}

请注意,如果其中一个源包含重复项,则可能会在输出中看到重复项。如果要删除已排序列表中的这些重复项,请使用以下方法:

private static IEnumerable<T> CheapDistinct<T>(IEnumerable<T> source)
{
    return CheapDistinct<T>(source, Comparer<T>.Default);
}
private static IEnumerable<T> CheapDistinct<T>(IEnumerable<T> source,
    IComparer<T> comparer)
{
    #region Parameter Validation
    if (Object.ReferenceEquals(null, source))
        throw new ArgumentNullException("source");
    if (Object.ReferenceEquals(null, comparer))
        throw new ArgumentNullException("comparer");
    #endregion
    using (IEnumerator<T> enumerator = source.GetEnumerator())
    {
        if (enumerator.MoveNext())
        {
            T item = enumerator.Current;
            // scan until different item found, then produce
            // the previous distinct item
            while (enumerator.MoveNext())
            {
                if (comparer.Compare(item, enumerator.Current) != 0)
                {
                    yield return item;
                    item = enumerator.Current;
                }
            }
            // produce last item that is left over from above loop
            yield return item;
        }
    }
}

请注意,这些都不会在内部使用数据结构来保留数据的副本,因此如果对输入进行排序,它们会很便宜。如果不能或不能保证,则应使用已找到的 3.5 扩展方法。

下面是调用上述方法的示例代码:

String[] list_1 = { "apple", "orange", "apple", "banana" };
String[] list_2 = { "banana", "pear", "grape" };
Array.Sort(list_1);
Array.Sort(list_2);
IEnumerable<String> items = Merge(
    CheapDistinct(list_1),
    CheapDistinct(list_2));
foreach (String item in items)
    Console.Out.WriteLine(item);

可能用您的值作为键创建一个哈希表(仅添加那些尚不存在的值),然后将键转换为数组可能是一个可行的解决方案。

在测量之前,您不知道哪种方法更快。LINQ 方式优雅且易于理解。

另一种方法是将集合实现为哈希数组(字典),并将两个数组的所有元素添加到集合中。然后使用设置。Keys.ToArray() 方法创建生成的数组。