PHP 数组 - 删除重复项（时间复杂度）

Question

好吧，这不是“如何获取所有唯一值”或“如何从 php 数组中删除重复项”的问题。 这是一个关于时间复杂度的问题。

我认为array_unique有点O(n^2 - n)，这是我的实现：

function array_unique2($array) 
{ 
    $to_return = array(); 
    $current_index = 0;

    for ( $i = 0 ; $i < count($array); $i++ ) 
    { 
        $current_is_unique = true; 

        for ( $a = $i+1; $a < count($array); $a++ ) 
        { 
            if ( $array[$i] == $array[$a] ) 
            { 
                $current_is_unique = false; 
                break; 
            } 
        } 
        if ( $current_is_unique ) 
        { 
            $to_return[$current_index] = $array[$i];
        } 

    } 

    return $to_return; 
}

但是，当针对array_unique进行基准测试时，我得到了以下结果：

测试(array_unique2 ）...操作花费了 0.52146291732788 秒。

测试（array_unique）...操作花费了 0.28323101997375 秒。

这使得 array_unique 的速度提高了一倍，我的问题是，为什么（两者都有相同的随机数据）？

我的一个朋友写了以下内容：

function array_unique2($a)
{
    $n = array();
    foreach ($a as $k=>$v)
        if (!in_array($v,$n))
            $n[$k]=$v;
    return $n;
}

比 php 中内置的速度快一倍。

我想知道，为什么？

array_unique 和 in_array 的时间复杂度是多少？

编辑 我从两个循环中删除了 count($array)，只在函数顶部使用了一个变量，这在 100 000 个元素上节省了 2 秒！

Answer 1

虽然我不能代表原生 array_unique 函数，但我可以告诉您，您朋友的算法更快，因为：

1. 他使用单个 foreach 循环，而不是您的双 for() 循环。
2. 在 PHP 中，Foreach 循环往往比 for 循环执行得更快。
3. 他使用了一个 if(! ) 比较，而您使用了两个 if() 结构。
4. 您的朋友进行的唯一附加函数调用是 in_array，而您调用了 count() 两次。
5. 您做了三个变量声明，而您的朋友不必这样做（$a、$current_is_unique、$current_index）。

虽然这些因素本身都不是很大，但我可以看到累积效应会使您的算法比您的朋友花费更长的时间。

Answer 2

in_array() 的时间复杂度为 O(n)。 要了解这一点，我们将查看 PHP源代码。

in_array() 函数在 ext/standard/array.c 中实现。 它所做的只是调用 php_search_array()，其中包含以下循环：

while (zend_hash_get_current_data_ex(target_hash, (void **)&entry, &pos) == SUCCESS) {

    // checking the value...

    zend_hash_move_forward_ex(target_hash, &pos);
}

这就是线性特征的来源。

这是该算法的整体特征，因为 zend_hash_move_forward_ex() 具有恒定的行为：查看 Zend/zend_hash.c，我们看到它基本上只是

*current = (*current)->pListNext;

---

时间复杂度array_unique()：

• 首先，将创建数组的副本，这是一个具有线性特性的操作，
• 然后是struct bucketindex 将被创建，指向我们数组副本的指针将被放入这些桶中 - 再次线性特性，
• 然后，bucketindex - 数组将使用快速排序进行排序 - 平均而言，n log n
• ，最后，排序后的数组将被遍历，并且重复的条目将从我们的数组副本中删除 - 这应该再次是线性，假设从数组中删除是一个恒定时间操作

希望这有帮助；）

Answer 3

试试这个算法。 它利用了键查找比 in_array() 更快的事实：

function array_unique_mine($A) {
    $keys = Array();
    $values = Array();
    foreach ($A as $k => $v) {
        if (!array_key_exists($v, $values)) {
            $keys[] = $k;
            $values[$v] = $v;
        }
    }
    return array_combine($keys, $values);
}

Answer 4

加布里埃尔的 答案有一些关于为什么你朋友的方法胜过你的方法的要点。 对Christoph之后的对话很感兴趣 答案，我决定自己运行一些测试。

另外，我尝试使用不同长度的随机字符串，虽然结果不同，但顺序是相同的。 为简洁起见，我在本示例中使用了 6 个字符。

请注意，array_unique5 实际上具有与 native、2 和 3 相同的键，但只是输出顺序不同。

结果...

Testing 10000 array items of data over 1000 iterations:
array_unique6:  1.7561039924622 array ( 9998 => 'b',    9992 => 'a',    9994 => 'f',    9997 => 'e',    9993 => 'c',    9999 => 'd',    )
array_unique4:  1.8798060417175 array ( 0 => 'b',   1 => 'a',   2 => 'f',   3 => 'e',   4 => 'c',   5 => 'd',   )
array_unique5:  7.5023629665375 array ( 10 => 'd',  0 => 'b',   3 => 'e',   2 => 'f',   9 => 'c',   1 => 'a',   )
array_unique3:  11.356487989426 array ( 0 => 'b',   1 => 'a',   2 => 'f',   3 => 'e',   9 => 'c',   10 => 'd',  )
array_unique:   22.535032987595 array ( 0 => 'b',   1 => 'a',   2 => 'f',   3 => 'e',   9 => 'c',   10 => 'd',  )
array_unique2:  62.107122898102 array ( 0 => 'b',   1 => 'a',   2 => 'f',   3 => 'e',   9 => 'c',   10 => 'd',  )
array_unique7:  71.557286024094 array ( 0 => 'b',   1 => 'a',   2 => 'f',   3 => 'e',   9 => 'c',   10 => 'd',  )

和代码...

set_time_limit(0);
define('HASH_TIMES', 1000);

header('Content-Type: text/plain');

$aInput  = array();
for ($i = 0; $i < 10000; $i++) {
    array_push($aInput, chr(rand(97, 102)));
}

function array_unique2($a) {
    $n = array();
    foreach ($a as $k=>$v)
        if (!in_array($v,$n))
            $n[$k]=$v;
    return $n;
}

function array_unique3($aOriginal) {
    $aUnique = array();

    foreach ($aOriginal as $sKey => $sValue) {
        if (!isset($aUnique[$sValue])) {
            $aUnique[$sValue] = $sKey;
        }
    }

    return array_flip($aUnique);
}

function array_unique4($aOriginal) {
    return array_keys(array_flip($aOriginal));
}

function array_unique5($aOriginal) {
    return array_flip(array_flip(array_reverse($aOriginal, true)));
}

function array_unique6($aOriginal) {
    return array_flip(array_flip($aOriginal));
}

function array_unique7($A) {
    $keys = Array();
    $values = Array();
    foreach ($A as $k => $v) {
        if (!array_key_exists($v, $values)) {
            $keys[] = $k;
            $values[$v] = $v;
        }
    }
    return array_combine($keys, $values);
}

function showResults($sMethod, $fTime, $aInput) {
    echo $sMethod . ":\t" . $fTime . "\t" . implode("\t", array_map('trim', explode("\n", var_export(call_user_func($sMethod, $aInput), 1)))) . "\n";
}

echo 'Testing ' . (count($aInput)) . ' array items of data over ' . HASH_TIMES . " iterations:\n";

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique($aInput);
$aResults['array_unique'] = microtime(1) - $fTime;

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique2($aInput);
$aResults['array_unique2'] = microtime(1) - $fTime;

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique3($aInput);
$aResults['array_unique3'] = microtime(1) - $fTime;

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique4($aInput);
$aResults['array_unique4'] = microtime(1) - $fTime;

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique5($aInput);
$aResults['array_unique5'] = microtime(1) - $fTime;

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique6($aInput);
$aResults['array_unique6'] = microtime(1) - $fTime;

$fTime = microtime(1);
for ($i = 0; $i < HASH_TIMES; $i++) array_unique7($aInput);
$aResults['array_unique7'] = microtime(1) - $fTime;

asort($aResults, SORT_NUMERIC);
foreach ($aResults as $sMethod => $fTime) {
    showResults($sMethod, $fTime, $aInput);
}

使用来自评论的 Christoph's 数据集的结果：

$aInput = array(); for($i = 0; $i < 1000; ++$i) $aInput[$i] = $i; for($i = 500; $i < 700; ++$i) $aInput[10000 + $i] = $i;

Testing 1200 array items of data over 1000 iterations:
array_unique6:  0.83235597610474
array_unique4:  0.84050011634827
array_unique5:  1.1954448223114
array_unique3:  2.2937450408936
array_unique7:  8.4412341117859
array_unique:   15.225166797638
array_unique2:  48.685120105743

Answer 5

PHP 的数组是作为哈希表实现的，即它们的性能特征与您对“真实”数组的期望不同。 数组的键值对另外存储在链表中以允许快速迭代。

这解释了为什么您的实现比您朋友的实现如此慢：对于每个数字索引，您的算法必须执行哈希表查找，而 foreach() 循环只会迭代链接列表。

以下实现使用反向哈希表，可能是最快的实现（双重翻转由 joe_mucchiello 提供）：

function array_unique2($array) {
    return array_flip(array_flip($array));
}

只有当 $array 的值是有效的键，即整数或字符串。

我还使用 foreach() 循环重新实现了您的算法。 现在，对于小数据集，它实际上比你朋友的更快，但仍然比通过 array_flip() 的解决方案慢：

function array_unique3($array) {
    $unique_array = array();

    foreach($array as $current_key => $current_value) {
        foreach($unique_array as $old_value) {
            if($current_value === $old_value)
                continue 2;
        }
        $unique_array[$current_key] = $current_value;
    }

    return $unique_array;
}

对于大数据集，内置版本 array_unique()< /code> 将胜过除双翻转之外的所有其他方法。 此外，您的朋友使用 in_array() 的版本将比 array_unique3() 更快。

总结一下：本机代码获胜！

---

还有另一个版本，它应该保留键及其顺序：

function array_flop($array) {
    $flopped_array = array();

    foreach($array as $key => $value) {
        if(!isset($flopped_array[$value]))
            $flopped_array[$value] = $key;
    }

    return $flopped_array;
}

function array_unique4($array) {
    return array_flip(array_flop($array));
}

这实际上是 enobrev 的 array_unique3() - 我没有像我应该的那样彻底检查他的实现。 ..

Answer 6

PHP 的执行速度比原始机器代码（很可能由 array_unique 执行）慢。

你的第二个示例函数（你朋友写的那个）很有趣。 我不知道它如何比本机实现更快，除非本机实现是删除元素而不是构建新数组。

Answer 7

我承认我不太了解本机代码，但它似乎复制整个数组，对其进行排序，然后循环遍历它以删除重复项。 在这种情况下，您的第二段代码实际上是一种更有效的算法，因为添加到数组的末尾比从中间删除更便宜。

请记住，PHP 开发人员这样做可能有充分的理由。 有人想问他们吗？

Answer 8

本机 PHP 函数 array_unique 为 用 C 实现。 因此它比必须先翻译的 PHP 更快。 而且，PHP 使用与您不同的算法。 据我所知，PHP 首先使用 快速排序 对元素进行排序，然后删除重复项一跑。

为什么他朋友的实现速度比他自己的快？ 因为它使用了更多的内置功能来尝试重新创建它们。