You need to enable JavaScript to run this app. Python 实现元组列表按前两位匹配累加末位元素值
优惠活动
大模型
产品
解决方案
定价
更多

Python 实现元组列表按前两位匹配累加末位元素值

按位置聚合累加三元组数值的实现方案

核心逻辑:这类需求本质是以三元组前两位的位置标识为唯一键,对第三位的数值做分组聚合累加。之前尝试的转集合去重的方案,仅能剔除完全一致的重复三元组,无法实现同位置不同数值的累加逻辑,与实际需求偏差较大。

方案1:字典直接聚合(无额外依赖,中小数据量最优)

该方式仅需遍历原列表一次,时间复杂度为O(n),无额外排序开销,内存占用最低,是中小规模数据下效率最高的实现:

from collections import defaultdict

# 原三元组列表
triple_list = [
    (280, 9, 2),
    (280, 9, 4),
    (280, 9, 16),
    (280, 19, 1),
    (280, 19, 4),
    (280, 27, 32768),
    (280, 28, 262144),
    (280, 28, 524288),
    (281, 9, 2),
    (281, 9, 4),
    (281, 9, 8),
]

# 初始化结果字典,值默认初始为0
agg_result = defaultdict(int)

for pos_x, pos_y, val in triple_list:
    # 以前两位组成的位置元组为键,累加对应位置的数值
    agg_result[(pos_x, pos_y)] += val

# 如果需要转回三元组的列表格式,可执行以下转换
final_triples = [
    (pos[0], pos[1], total_val)
    for pos, total_val in agg_result.items()
]

运行验证:位置(280,9)对应的累加值为2+4+16=22,与需求计算规则完全一致。

方案2:Pandas向量化聚合(超大数据量效率最优)

当原列表规模达到百万级以上时,依托Pandas底层C实现的向量化计算能力,分组聚合的效率会显著高于纯Python循环,适合处理大规模数据集:

import pandas as pd

# 将原列表转为DataFrame结构
df = pd.DataFrame(triple_list, columns=["pos_x", "pos_y", "val"])
# 按位置分组,对数值求和
agg_df = df.groupby(["pos_x", "pos_y"], as_index=False)["val"].sum()
# 转回三元组列表格式
final_triples = list(agg_df.itertuples(index=False, name=None))

内容的提问来源于stack exchange,提问作者splitznook

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.22 14:36:10