python 将一个List分解

Posted 2023-04-10

如：[["a"],["b","c"],["d"],["e","f"]]
拆解为：
[["a","b","d","e"],["a","b","d","f"],["a","c","d","e"],["a","c","d","f"]]

>>> a = [["a"],["b","c"],["d"],["e","f"]]
>>> for i in eval('itertools.product' + str(tuple(a))):
print i


('a', 'b', 'd', 'e')
('a', 'b', 'd', 'f')
('a', 'c', 'd', 'e')
('a', 'c', 'd', 'f')

感觉这样应该最简单，而且兼容性比较好。不得不说解释型语言就是这么神奇。。

参考技术A a=[["a"],["b","c"],["d"],["e","f"]]
import copy
def do(l,ret,deep=0,tmp=[]):
if deep<(len(l)-1):
for i in l[deep]:
r=copy.copy(tmp)
r.append(i)
do(l,ret,deep+1,r)
if deep==(len(l)-1):
for i in l[deep]:
r=copy.copy(tmp)
r.append(i)
ret.append(r)
print r
result=[]
do(a,result)
print result 参考技术B 逻辑规律是什么呢？

[python 并行1]简介

并行编程-介绍篇

设计并行编程 ¹

任务分解：将程序分解为任务，在不同处理器上执行以实现并行化。（可以使用以下两种方法）

• 领域分解：将问题数据分解 （当处理的数据量很大时，分开处理）
• 功能性分解：将问题分解为任务 （把大的任务分解为多个小任务处理）

任务分配：将任务分配到各个处理器上 （目的是负载均衡）

聚集：将小任务与大任务合并到一起从而改进性能的过程
如果任务数量远远超过可用的处理器数量，由于线程切换等其它因素会导致效率降低
如果计算机有针对大量小任务而进行特别的设计，如采用GPU计算，那将能从大量小任务的运行中获益

映射：指定哪个任务将要执行 （目标是将总执行时间降到最低）(可以使用以下2中策略，这2个策略间由于是冲突的，需要做出权衡)

• 通信频繁的任务放在同一个处理器中来增加局部性
• 可以并发执行的任务放在不同的处理器中增加并发性

注意! 映射问题，即NP完备 ²。对于相同大小的任务，很容易直接映射
如果是每个任务的工作量千差万别，就需要采用负载均衡算法在运行期间确定聚集与映射的策略。
如果在程序执行期间通信量或任务量发生变化的情况，可以使用动态的负载均衡算法

（不同的问题存在多种负载均衡算法，有全局或局部的。全局算法需要全局的掌握，会增加大量成本。局部算法只依赖于特定任务本身的信息，不过难以找到最优）
（存在 管理者/执行者（管理者调度）、层次化的管理者/执行者（分组，每组都有个管理者调度）、去中心化的模型（每个处理器会维护自己的任务池））

---

进程与线程比较 ³

性能比较

多线程比多进程成本低，但性能更低

优缺点对比

多进程优点

• 每个进程相互独立，子进程异常不影响父进程
• 通过增加CPU，就可容易扩充性能
• 没有锁的影响

• 每个子进程都有独立的地址空间和资源

  多进程缺点

• 逻辑控制复杂，需要和主进程交互

• 需要跨进程边界，如有大量数据需要传输不太好，适合少量数据传输、密集运算

多线程优点

• 逻辑控制简单
• 无需跨进程边界
• 可直接共享资源

• 资源消耗比进程少

  多线程缺点

• 其中的某个线程崩溃可能会影响整个程序
• 线程之间的同步和锁的控制比较麻烦

• 每个线程与主线程共用地址空间

注意! 无论进程，还是线程多了以后，他们的调度也会消耗较多的CPU资源

---

python并行编程的问题

一般来说，一个进程可以包含多个并行线程。不过，Python解释器并非完全是线程安全的。为了支持多线程的Python程序，会使用名为全局解释器锁GIL（Global Interpreter Lock）的全局锁。这意味着在同一时刻只有一个线程会执行Python代码。（如果多个线程尝试访问同一个对象数据，那么它可能处于不一致的状态）

故此，python中的并行编程想要发挥多核的优势推荐使用多进程代替多线程

为什么不去除GIL? 更多细节：Python 最难的问题

---

python中进程与线程的效率

由于python自身存在GIL的问题，同一时刻只能运行一个线程，在一些实验对比中，我们会发现python中进程与线程之间的差异，在这里直接给出结论
对比操作：CPU密集型、IO密集型、网络请求密集型

多线程

• CPU密集型操作，性能更差
• IO密集型操作，性能更差
• 网络请求密集型操作，优势明显

多进程

• CPU密集型操作，优势明显
• IO密集型操作，优势明显
• 网络请求密集型操作，与多线程相差无几，却更占用CPU等资源

故CPU密集型、IO密集型操作，首选多进程，网络请求密集型选择多线程

（附：如果追求效率，CPU密集型操作应首选C/C++语言
IO密集型操作，CPU消耗很少，换用C/C++也很难得到效率的提升，应采用开发效率高的语言，脚本语言是首选）

更多细节：Python中单线程、多线程和多进程的效率对比实验

---

1.参考书籍: 《Python并行编程手册》

2.NP完全问题: NP完全问题是世界七大数学难题之一。所有的完全多项式非确定性问题，都可以转换为一类叫做满足性问题的逻辑运算问题。既然这类问题的所有可能答案，都可以在多项式时间内计算，人们于是就猜想，是否这类问题存在一个确定性算法，可以在多项式时间内直接算出或是搜寻出正确的答案呢？这就是著名的NP=P？的猜想（百度百科）
https://zh.wikipedia.org/wiki/NP%E5%AE%8C%E5%85%A8（wiki百科）

3.多线程和多进程的区别: 参考：追溯到最早的一篇2011年的页面已失效了