Простой способ группировки предметов в ведра

Я часто хочу записать неупорядоченную коллекцию в python. itertools.groubpy делает правильные вещи, но почти всегда требует массажа, чтобы сортировать предметы в первую очередь и ловить итераторы до их потребления.

Есть ли какой-либо быстрый способ получить это поведение либо через стандартный модуль python, либо с простой идиомой python?

>>> bucket('thequickbrownfoxjumpsoverthelazydog', lambda x: x in 'aeiou')
{False: ['t', 'h', 'q', 'c', 'k', 'b', 'r', 'w', 'n', 'f', 'x', 'j', 'm', 'p',
    's', 'v', 'r', 't', 'h', 'l', 'z', 'y', 'd', 'g'],
 True: ['e', 'u', 'i', 'o', 'o', 'u', 'o', 'e', 'e', 'a', 'o']}
>>> bucket(xrange(21), lambda x: x % 10)
{0: [0, 10, 20],
 1: [1, 11],
 2: [2, 12],
 3: [3, 13],
 4: [4, 14],
 5: [5, 15],
 6: [6, 16],
 7: [7, 17],
 8: [8, 18],
 9: [9, 19]}

Ответ 1

Это появилось несколько раз раньше - (1), (2), (3) - и там рецепт раздела в itertools рецептах, но насколько мне известно, в стандартной библиотеке ничего нет. Хотя несколько недель назад я был удивлен accumulate, так кто знает, что скрывается там в эти дни?: ^)

Когда мне нужно это поведение, я использую

from collections import defaultdict

def partition(seq, key):
    d = defaultdict(list)
    for x in seq:
        d[key(x)].append(x)
    return d

и продолжай свой день.

Ответ 2

Вот простой два вкладыша

d = {}
for x in "thequickbrownfoxjumpsoverthelazydog": d.setdefault(x in 'aeiou', []).append(x)

Edit:

Просто добавьте свой другой случай для полноты.

d={}
for x in xrange(21): d.setdefault(x%10, []).append(x)

Ответ 3

Здесь вариант partition() сверху, когда предикат является логическим, избегая стоимости dict/defaultdict:

def boolpartition(seq, pred):
    passing, failing = [], []
    for item in seq:
        (passing if pred(item) else failing).append(item)
    return passing, failing

Пример использования:

>>> even, odd = boolpartition([1, 2, 3, 4, 5], lambda x: x % 2 == 0)
>>> even
[2, 4]
>>> odd
[1, 3, 5]

Ответ 4

Если его a pandas.DataFrame, то также работает следующее: pd.cut()

from sklearn import datasets
import pandas as pd

# import some data to play with
iris = datasets.load_iris()
df_data = pd.DataFrame(iris.data[:,0])  # we'll just take the first feature

# bucketize
n_bins = 5
feature_name = iris.feature_names[0].replace(" ", "_")
my_labels = [str(feature_name) + "_" + str(num) for num in range(0,n_bins)]
pd.cut(df_data[0], bins=n_bins, labels=my_labels)

получая

0      0_1
1      0_0
2      0_0
[...]

Если вы не установите labels, выход будет похож на этот

0       (5.02, 5.74]
1      (4.296, 5.02]
2      (4.296, 5.02]
[...]

Ответ 5

Edit:

Использование ответа DSM в начале, вот немного более краткий, общий ответ:

d = defaultdict(list)
map(lambda x: d[x in 'aeiou'].append(x),'thequickbrownfoxjumpsoverthelazydog')

или

d = defaultdict(list)
map(lambda x: d[x %10].append(x),xrange(21))

Вот два лайнера:

d = {False:[],True:[]}
filter(lambda x: d[True].append(x) if x in 'aeiou' else d[False].append(x),"thequickbrownfoxjumpedoverthelazydogs")

Конечно, можно сделать однострочный:

d = {False:[],True:[]};filter(lambda x: d[True].append(x) if x in 'aeiou' else d[False].append(x),"thequickbrownfoxjumpedoverthelazydogs")