Python 集合基于哈希表,交、并、差、对称差不仅对应数学集合论,也常用于用户活跃分析、权限过滤、增量同步和标签差异判断。下面围绕四类运算的运算符、方法、原地更新和性能边界,给出可直接运行的代码片段与排查注意点。
一、用户活跃分析:四种运算快速落地- yesterday = {'alice', 'bob', 'charlie', 'david'}
- today = {'alice', 'charlie', 'eve', 'frank'}
- print(yesterday & today) # 连续两天活跃
- print(yesterday - today) # 昨天活跃今天流失
- print(today - yesterday) # 今天新增活跃
- print(yesterday | today) # 所有活跃过的用户
复制代码 这段代码同时说明:& 求共同活跃,- 求流失或新增,| 求全部活跃用户。差集要注意方向,yesterday - today 与 today - yesterday 结果不同。
二、并集:| 与 union()
并集返回两个或多个集合的全部元素并自动去重。| 两边都必须是集合;union() 可接受列表、元组、range、字符串、字典等可迭代对象,字典取键。多集合可用 a | b | c | d,也可 a.union(b, c, d)。需要从空集合合并多个来源时,set().union(*sources) 很实用;|= 等价 update() 原地修改,a = a | b 创建新对象。- a = {1, 2, 3}
- b = {3, 4, 5}
- print(a | b) # {1, 2, 3, 4, 5}
- print(a.union([4, 5], (6,))) # 方法接受可迭代对象
- print(set().union([1, 2], [2, 3], range(4, 6)))
- original_id = id(a)
- a |= b
- print(a) # {1, 2, 3, 4, 5}
- print(id(a) == original_id) # True,原地修改
复制代码 合并多个数据源时,可以写成:- email_sources = {
- 'web_registration': {'alice@test.com', 'bob@test.com'},
- 'mobile_app': {'bob@test.com', 'david@test.com'},
- 'api_import': {'charlie@test.com', 'frank@test.com'},
- }
- all_emails = set().union(*email_sources.values())
- print(len(all_emails))
- merged = set()
- for emails in email_sources.values():
- merged |= emails
- print(len(merged))
复制代码 如果统计某个渠道独有邮箱,不要写 emails - all_emails,因为 all_emails 已包含该渠道,结果恒为空;应使用 emails - (all_emails - emails),或先合并其他渠道再相减。
三、交集:& 与 intersection()
交集返回多个集合中共有的元素。& 要求两边都是集合;intersection() 可接受任意可迭代对象,也能一次传多个参数。多个列表求公共元素时,可先转集合再使用 intersection(*lists[1:])。&= 等价 intersection_update(),会修改调用方集合。- a = {1, 2, 3, 4}
- b = {3, 4, 5, 6}
- print(a & b) # {3, 4}
- print(a.intersection([3, 4, 5])) # {3, 4}
- lists = [[1, 2, 3, 4, 5], [2, 3, 4, 5, 6], [3, 4, 5, 6, 7]]
- common = set(lists[0]).intersection(*lists[1:])
- print(common) # {3, 4, 5}
- a &= b
- print(a) # {3, 4}
复制代码 在业务过滤中,交集适合逐步缩小范围,例如先取“上月购买且订阅邮件”的用户,再与“好评用户”“会员用户”继续求交集。
四、差集:- 与 difference()
差集返回在前一个集合但不在后一个集合中的元素。差集不对称:a - b 与 b - a 结果不同。difference() 可接受可迭代对象,也可一次传多个参数;a.difference(b, c, d) 等价于 a - b - c - d,按从左到右连续求差。-= 等价 difference_update()。- a = {1, 2, 3, 4, 5}
- b = {4, 5, 6, 7, 8}
- print(a - b) # {1, 2, 3}
- print(b - a) # {6, 7, 8}
- print(a.difference(b, {6, 7})) # {1, 2, 3}
- a -= {2, 4}
- print(a) # {1, 3, 5}
复制代码 差集常见于权限排除、敏感词过滤和增量更新:to_add = new_data - old_data,to_delete = old_data - new_data,to_keep = old_data & new_data。
五、对称差:^ 与 symmetric_difference()
对称差返回只在其中一个集合中出现的元素,排除两边都有的元素。它满足 a ^ b == (a - b) | (b - a) == (a | b) - (a & b),并且 a ^ b == b ^ a。symmetric_difference() 只接受一个参数,多集合可用 ^ 链式。若要“恰好出现在一个集合中”,可用 (a - b - c) | (b - a - c) | (c - a - b)。^= 等价 symmetric_difference_update()。- a = {1, 2, 3, 4}
- b = {3, 4, 5, 6}
- print(a ^ b) # {1, 2, 5, 6}
- print(a.symmetric_difference(b)) # {1, 2, 5, 6}
- print(a ^ b == (a - b) | (b - a)) # True
- x = {1, 2, 3}
- y = {2, 3, 4}
- z = {3, 4, 5}
- print((x - y - z) | (y - x - z) | (z - x - y)) # {1, 5}
- a ^= b
- print(a) # {1, 2, 5, 6}
复制代码 用对称差可以快速查看两个版本的功能变更、两个用户的标签差异,再配合差集区分新增和删除。
六、运算符与方法选择
并集:|、union(*others)、|=、update(*others)。
交集:&、intersection(*others)、&=、intersection_update(*others)。
差集:-、difference(*others)、-=、difference_update(*others)。
对称差:^、symmetric_difference(other)、^=、symmetric_difference_update(other)。
两边都是集合、追求简洁和链式写法时用运算符;参数是列表、元组等非集合类型,或需要一次传多个参数时用方法。原地操作会修改调用方,普通运算返回新集合;无明确性能需求时优先用新对象,避免意外修改共享数据。
七、性能特性与列表对比
add、remove、x in s 平均复杂度为 O(1);a | b 为 O(len(a) + len(b));a & b 为 O(min(len(a), len(b)));a - b 为 O(len(a));a ^ b 为 O(len(a) + len(b))。集合运算通常比等价的列表推导快 100 到 1000 倍,但列表转集合也有额外成本。- import time
- n = 10000
- set_a = set(range(n))
- set_b = set(range(n // 2, n + n // 2))
- start = time.perf_counter()
- for _ in range(1000):
- _ = set_a | set_b
- print(time.perf_counter() - start)
- start = time.perf_counter()
- for _ in range(1000):
- _ = set_a & set_b
- print(time.perf_counter() - start)
复制代码
八、常见陷阱
1. |、&、-、^ 两侧必须是集合,列表直接参与会触发 TypeError。
2. 空集合是 set(),{} 是字典,不是空集合。
3. 集合元素必须可哈希,列表、字典、集合不能直接作为集合元素。
4. 差集方向敏感,a - b 与 b - a 不同。
5. symmetric_difference() 只接收一个参数,多集合用 ^ 链式。
6. |=、&=、-=、^= 会修改原集合,多引用共享同一对象时要避免意外副作用。
7. 集合运算符与其他运算符混用时,用括号明确优先级。
九、组合模式
版本变更:changes = v1 ^ v2,added = v2 - v1,removed = v1 - v2。标签差异:共同 = u1 & u2,不同 = u1 ^ u2,各自独有 = u1 - u2、u2 - u1。权限过滤:actual = role & allowed 或 role - forbidden。增量同步:to_add = new - old,to_delete = old - new,to_keep = old & new。
十、小结
集合运算适合集合型数据的关系判断,不适合需要保留顺序、重复项或索引的场景。把交并差、对称差与原地更新、可迭代对象参数、复杂度和常见陷阱一起掌握,才能写出短小且可维护的 Python 数据处理代码。 |