如何按相似性对Zip文件路径字符串列表进行分组？

你需要对Zip文件路径列表按相似性分组，简化示例路径如下：

zip_paths = [
    "path/002_AC_HELICOPTEROS-MARINOS_20230329_210358_145T3_21049_00748_DMAU.zip",
    "path/002_AC_NOLAS_20230326_234440_145T2_20160_06473_VMS_UMS.zip",
    "path/002_AC_HELICOPTEROS-MARINOS_20230329_211105_145T3_21049_00748_FDCR.zip",
    "path/002_AC_HELICOPTEROS-MARINOS_20230329_205916_145T3_21049_00747_VMS_UMS.zip",
    "path/002_AC_NOLAS_20230326_235504_145T2_20160_06473_FDCR.zip"
]

期望分组结果：

[
    [
        "path/002_AC_HELICOPTEROS-MARINOS_20230329_210358_145T3_21049_00748_DMAU.zip",
        "path/002_AC_HELICOPTEROS-MARINOS_20230329_211105_145T3_21049_00748_FDCR.zip"
    ],
    [
        "path/002_AC_HELICOPTEROS-MARINOS_20230329_205916_145T3_21049_00747_VMS_UMS.zip"
    ],
    [
        "path/002_AC_NOLAS_20230326_234440_145T2_20160_06473_VMS_UMS.zip",
        "path/002_AC_NOLAS_20230326_235504_145T2_20160_06473_FDCR.zip"
    ]
]

分组规则分析 #

从你给出的分组通配符可以看出，分组的核心是提取路径中固定不变的关键段：

• 机构名称（如HELICOPTEROS-MARINOS、NOLAS）
• 日期（如20230329、20230326）
• 末尾的两个编号段（如21049_00748、20160_06473）
  中间的时间戳（如210358）和最后的文件类型后缀（如DMAU）不影响分组。

Python实现方案 #

可以用itertools.groupby来实现，步骤如下：

1. 先对路径列表排序（groupby要求同组元素连续）
2. 定义分组键的lambda函数，提取关键段作为分组依据

完整代码：

from itertools import groupby

zip_paths = [
    "path/002_AC_HELICOPTEROS-MARINOS_20230329_210358_145T3_21049_00748_DMAU.zip",
    "path/002_AC_NOLAS_20230326_234440_145T2_20160_06473_VMS_UMS.zip",
    "path/002_AC_HELICOPTEROS-MARINOS_20230329_211105_145T3_21049_00748_FDCR.zip",
    "path/002_AC_HELICOPTEROS-MARINOS_20230329_205916_145T3_21049_00747_VMS_UMS.zip",
    "path/002_AC_NOLAS_20230326_235504_145T2_20160_06473_FDCR.zip"
]

# 排序确保同组元素连续
sorted_paths = sorted(zip_paths)

# 定义分组键：拆分路径为下划线分隔的段，提取关键部分
group_key = lambda path: (
    path.split('_')[3],  # 提取机构名称
    path.split('_')[4],  # 提取日期
    path.split('_')[-3], # 提取倒数第三个编号段
    path.split('_')[-2]  # 提取倒数第二个编号段
)

# 执行分组，转换为列表格式
grouped_result = [list(group) for _, group in groupby(sorted_paths, key=group_key)]

# 输出结果
print(grouped_result)

代码说明 #

• path.split('_')：把路径按下划线拆分为列表，以第一个路径为例，拆分后为：

  ['path/002', 'AC', 'HELICOPTEROS-MARINOS', '20230329', '210358', '145T3', '21049', '00748', 'DMAU.zip']
  

• 分组键提取的是固定不变的核心字段，只要这些字段相同的路径就会被分到同一组。
• groupby依赖排序后的列表，因此先执行sorted(zip_paths)保证同组元素连续排列。

内容的提问来源于stack exchange，提问作者FrozzenFinger