集合

一个没有重复项的集合

集合（set）每个值最多出现一次，也没有位置：{"AAPL", "MSFT", "GOOG"}。添加已存在的值不会有任何变化。set(items) 能把任何可迭代对象变成集合，这是去重最快的方法，此时 len 统计的是不同值的个数。集合没有顺序，所以不能按索引访问，打印时看到的顺序也不可依赖。空集合要写成 set()：{} 是空字典。

symbols = ["AAPL", "MSFT", "AAPL", "GOOG", "MSFT"]

# set() removes repeats
unique = set(symbols)
print(len(symbols), len(unique))      # 5 3

# Adding something already there changes nothing
unique.add("AAPL")
unique.add("TSLA")
print(len(unique))                    # 4

# {} is a dict; an empty set is set()
print(type({}), type(set()))          # <class 'dict'> <class 'set'>

快速的成员检测

x in some_set 几乎瞬间就能得到答案，即使有数百万个值，因为集合通过哈希定位，而不是逐个扫描。对列表做同样的检测要逐个检查元素，列表越大越慢。所以如果要对同一个集合反复使用 in（例如把每个收到的订单与禁止交易代码列表对比），就把它一次性转换成集合。集合的成员必须可哈希，和字典的键一样。

# Membership: a set is the fast structure for "is it in there?"
banned = {"GME", "AMC", "BBBY"}
orders = ["AAPL", "GME", "MSFT", "AMC"]

allowed = [symbol for symbol in orders if symbol not in banned]
print(allowed)                       # ['AAPL', 'MSFT']

# Sets only keep hashable values
try:
    {["AAPL"]}
except TypeError as error:
    print("not hashable:", error)

集合运算

集合可以像数学课上那样组合。a | b 是并集（在任一个中），a & b 是交集（同时在两者中），a - b 是差集（在 a 中但不在 b 中），a ^ b 是对称差（只在其中一个中）。每种运算也有对应的方法，如 a.union(b)，它接受任何可迭代对象。它们都返回新集合，不改动 a 和 b。这正是比较两个代码池或两份持仓清单所需要的。

# Comparing yesterday's and today's universe
yesterday = {"AAPL", "MSFT", "GOOG", "IBM"}
today = {"AAPL", "MSFT", "TSLA"}

print(sorted(yesterday | today))   # ['AAPL', 'GOOG', 'IBM', 'MSFT', 'TSLA']
print(sorted(yesterday & today))   # ['AAPL', 'MSFT']
print(sorted(today - yesterday))   # ['TSLA']   (new listings)
print(sorted(yesterday - today))   # ['GOOG', 'IBM']   (dropped)
print(sorted(yesterday ^ today))   # ['GOOG', 'IBM', 'TSLA']

修改集合并保持顺序

add(x) 插入一个值，update(items) 插入多个，discard(x) 在值存在时删除它（不报错），remove(x) 同样删除，但值不存在时会引发 KeyError。集合不记顺序，所以顺序重要时就要用列表：sorted(some_set) 得到已排序的列表；要在去重的同时保持首次出现的顺序，就遍历这些值，并用一个集合记住已见过的值（seen）。因为是集合，这个检查很快。

# Remove repeats and keep the first-seen order
symbols = ["MSFT", "AAPL", "MSFT", "GOOG", "AAPL"]
seen = set()
ordered = []
for symbol in symbols:
    if symbol not in seen:
        seen.add(symbol)
        ordered.append(symbol)
print(ordered)             # ['MSFT', 'AAPL', 'GOOG']

# discard is quiet, remove is strict
seen.discard("TSLA")
try:
    seen.remove("TSLA")
except KeyError:
    print("TSLA was not in the set")

• set(items)：每个值只保留一个；len(set(items)) 统计不同值的个数。
• x in s 很快；a | b、a & b、a - b、a ^ b 生成新集合。
• 集合没有顺序：需要列表时用 sorted(s)。

下一节：读写文本文件，让你的程序在多次运行之间保存数据。

实验：评分内容

• 用 distinct_count 统计不同的代码数量25 分
• 用 new_listings 找出新出现的代码25 分
• 用 common_symbols 找出两个投资组合的共同部分25 分
• 用 dedupe_keep_order 去重并保持顺序25 分