如何基于公共ID分组元组列表中的大规模同义词数据集？

这问题用字典做分组是最直接高效的，针对你这个10000+条数据的场景，我给你两种实用的实现思路，都能轻松搞定：

方法一：普通字典手动分组（兼容所有Python版本） #

这种写法逻辑清晰，不需要额外导入模块，适合任何Python环境：

def process_synonyms(data):
    # 初始化字典，用来存储每个ID对应的同义词列表
    id_synonym_map = {}
    for syn_id, word in data:
        # 如果ID不在字典里，先创建一个空列表
        if syn_id not in id_synonym_map:
            id_synonym_map[syn_id] = []
        # 将当前单词添加到对应ID的列表中
        id_synonym_map[syn_id].append(word)
    
    # 将字典转换为目标格式的元组列表
    processed_data = []
    for syn_id, words in id_synonym_map.items():
        # 把ID和同义词列表拼接成一个元组
        processed_tuple = (syn_id,) + tuple(words)
        processed_data.append(processed_tuple)
    
    return processed_data

逻辑说明 #

1. 遍历原始数据，把每个共享ID对应的同义词都收集到字典的列表中；
2. 遍历字典的键值对，把ID和对应的同义词列表合并成一个元组，最终组成结果列表。
   这个方法的时间复杂度是O(n)，处理10000+条数据毫无压力，而且不需要提前排序，Python 3.7+的普通字典默认保留ID首次出现的顺序，旧版本可以用OrderedDict替代。

方法二：用collections.defaultdict简化代码 #

如果你的Python版本支持（几乎所有现代版本都支持），可以用defaultdict来省去判断键是否存在的步骤，代码更简洁：

from collections import defaultdict

def process_synonyms(data):
    id_synonym_map = defaultdict(list)
    # 直接往对应ID的列表里加单词，无需判断键是否存在
    for syn_id, word in data:
        id_synonym_map[syn_id].append(word)
    
    # 用列表推导式快速转换格式
    return [(syn_id,) + tuple(words) for syn_id, words in id_synonym_map.items()]

测试示例 #

用你给出的测试数据跑一下：

data = [ (435347,'cat'), (435347,'feline'), (435347,'lion'), (6765756,'dog'), (6765756,'hound'), (6765756,'puppy'), (435347,'kitten'), (987977,'frog') ]
print(process_synonyms(data))

输出结果就是你想要的格式：

[(435347, 'cat', 'feline', 'lion', 'kitten'), (6765756, 'dog', 'hound', 'puppy'), (987977, 'frog')]

内容的提问来源于stack exchange，提问作者max