如何高效合并featuredPosts与allPosts中匹配ID的数据？

当然有啦！嵌套遍历的时间复杂度是O(n*m)，数据量大的时候性能会拉胯，咱们可以用**哈希映射（Hash Map）**来实现线性时间复杂度的合并，完美避开嵌套循环~

核心思路：空间换时间 #

先把allPosts转换成以id为键的哈希结构，这样后续查找对应id的post数据只需要O(1)的时间，然后只需要遍历一次featuredPosts就能完成合并。

JavaScript 实现示例 #

// 第一步：将allPosts转为以id为键的映射，方便快速查找
const postsMap = Object.fromEntries(allPosts.map(post => [post.id, post]));

// 第二步：遍历featuredPosts，直接从映射中取数据合并
const mergedFeaturedPosts = featuredPosts.map(featuredItem => {
  // 解构合并原始featured数据和对应的完整post数据
  return { ...featuredItem, ...postsMap[featuredItem.id] };
});

如果更倾向于用Map结构（对非字符串键更友好，不过这里id是数字/字符串都适用）：

const postsMap = new Map(allPosts.map(post => [post.id, post]));

const mergedFeaturedPosts = featuredPosts.map(featuredItem => {
  const fullPost = postsMap.get(featuredItem.id);
  return fullPost ? { ...featuredItem, ...fullPost } : featuredItem;
});

Python 实现示例 #

# 第一步：构建id到post的字典映射
posts_dict = {post["id"]: post for post in allPosts}

# 第二步：遍历featuredPosts完成合并
merged_featured_posts = [
    {**featured_item, **posts_dict[featured_item["id"]]}
    for featured_item in featuredPosts
]

为什么这是更优方案？ #

• 时间复杂度：从嵌套遍历的O(n*m)降低到O(n + m)（n是featuredPosts长度，m是allPosts长度），数据规模越大，性能提升越明显。
• 代码更简洁易读：逻辑清晰，避免了多层嵌套的循环结构，维护起来更方便。

内容的提问来源于stack exchange，提问作者Helmi