使用Python怎么删除列表重复元素

本篇文章为大家展示了使用python怎么删除列表重复元素，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

Python有哪些常用库

python常用的库：1.requesuts；2.scrapy；3.pillow；4.twisted；5.numpy；6.matplotlib；7.pygama；8.ipyhton等。

python list删除元素有remove()和pop()，remove()对元素进行操作，pop()对索引进行操作，并会返回pop掉的值。一个只会从列表移除一个数

一.如果已经有了一个列表l，令h=l，对l操作时同时会影响h，貌似原因是内存共享的，正确的方法是h=l.copy()

二.测试时，发现一个问题，如下面代码和结果：

item=2时，并没有把2全部删掉，后面重复的3也没有删去。

**查阅一些资料后发现：list的遍历是基于下标的不是基于元素，你删掉一个元素后，列表就发生了变化，所有的元素都往前移动了一个位置，假设要删除重的2，一个列表中索引为4，对应的值为2，索引为5，对应的值为2，索引为6，对应的值为3，当前循环删掉索引4时对应的值2之后，索引4的值为2，索引5，值为3，下一次循环，本来要再删一个2，但此时索引为5对应的为3，就漏掉了一个2。

解决方案：

（1）倒序循环遍历：

（2）实际用的方法，判断到重复元素后，将那个item复制为0或‘0'，相当于用一个标识符占住重复元素的位置，循环时先判断是否为‘0'，最后通过

list = list(set(list))

list.remove('0')

即可

附图像去冗余算法，判断图像相似通过，感知哈希算法和三通道直方图，及图像尺寸

from img_similarity import runtwoImageSimilaryFunimport osfrom PIL import Imageimport shutilimport timeimport numpy as np def similar(path2, path3):    img1 = Image.open(path2)    img2 = Image.open(path3)    w1 = img1.size[0] # 图片的宽    h2 = img2.size[1]  # 图片的高    w2 = img2.size[0] # 图片的宽    h3 = img2.size[1]  # 图片的高    w_err = abs(w1 - w2)/w1    h_err = abs(h2 - h3)/h2    if w_err > 0.1 or h_err >0.1:        return 0    else:        phash, color_hist = runtwoImageSimilaryFun(path2, path3)        if phash <=8 or color_hist >=0.9:            return 1        else:            return 0  path = './crop_img'result_imgdirs_path = './removed_repeat_img'folderlist = os.listdir(path)folderlist.sort()for item in folderlist:    folder_path = path + '/' + item    new_folder_path = result_imgdirs_path + '/' + item    os.makedirs(new_folder_path)     imglist = os.listdir(folder_path)    imglist.sort()     time_start = time.time()     for i,item1 in enumerate(imglist):        if item1 == '0':            continue        path2 = folder_path + '/' + item1        for j, item2 in enumerate(imglist[i + 1:]):            if item2 == '0':                continue            path3 = folder_path + '/' + item2            t = similar(path2, path3)            if t:                #将判断为相似的图片在trans_list中的名字置‘0'，代表不需要复制                imglist[i+j+1] = '0'     imglist = list(set(imglist))    imglist.remove('0')     time_end = time.time()    time_c = time_end - time_start    print('{} similarity judgement list time cost {}s'.fORMat(item, time_c))      time_start = time.time()    #移动图片    for item3 in imglist:        ori_img_path = folder_path + '/' + item3        new_img_path = new_folder_path + '/' + item3        shutil.copy(ori_img_path, new_img_path)     time_end = time.time()    time_c = time_end - time_start # 运行所花时间    print('{} move image time cost {}s'.format(item, time_c))

img_similarity.py

import cv2import numpy as npfrom PIL import Imageimport requestsfrom io import BytesIOimport matplotlib matplotlib.use('TkAgg')import matplotlib.pyplot as plt  def aHash(img):    # 均值哈希算法    # 缩放为8*8    img = cv2.resize(img, (8, 8))    # 转换为灰度图    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    # s为像素和初值为0，hash_str为hash值初值为''    s = 0    hash_str = ''    # 遍历累加求像素和    for i in range(8):        for j in range(8):            s = s + gray[i, j]    # 求平均灰度    avg = s / 64    # 灰度大于平均值为1相反为0生成图片的hash值    for i in range(8):        for j in range(8):            if gray[i, j] > avg:                hash_str = hash_str + '1'            else:                hash_str = hash_str + '0'    return hash_str  def dHash(img):    # 差值哈希算法    # 缩放8*8    img = cv2.resize(img, (9, 8))    # 转换灰度图    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    hash_str = ''    # 每行前一个像素大于后一个像素为1，相反为0，生成哈希    for i in range(8):        for j in range(8):            if gray[i, j] > gray[i, j + 1]:                hash_str = hash_str + '1'            else:                hash_str = hash_str + '0'    return hash_str  def pHash(img):    # 感知哈希算法    # 缩放32*32    img = cv2.resize(img, (32, 32))  # , interpolation=cv2.INTER_CUBIC    # 转换为灰度图    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)    # 将灰度图转为浮点型，再进行dct变换    dct = cv2.dct(np.float32(gray))    # OpenCV实现的掩码操作    dct_roi = dct[0:8, 0:8]     hash = []    avreage = np.mean(dct_roi)    for i in range(dct_roi.shape[0]):        for j in range(dct_roi.shape[1]):            if dct_roi[i, j] > avreage:                hash.append(1)            else:                hash.append(0)    return hash  def calculate(image1, image2):    # 灰度直方图算法    # 计算单通道的直方图的相似值    hist1 = cv2.calcHist([image1], [0], None, [256], [0.0, 255.0])    hist2 = cv2.calcHist([image2], [0], None, [256], [0.0, 255.0])    # 计算直方图的重合度    degree = 0    for i in range(len(hist1)):        if hist1[i] != hist2[i]:            degree = degree + \                     (1 - abs(hist1[i] - hist2[i]) / max(hist1[i], hist2[i]))        else:            degree = degree + 1    degree = degree / len(hist1)    return degree  def classify_hist_with_split(image1, image2, size=(256, 256)):    # RGB每个通道的直方图相似度    # 将图像resize后，分离为RGB三个通道，再计算每个通道的相似值    image1 = cv2.resize(image1, size)    image2 = cv2.resize(image2, size)    sub_image1 = cv2.split(image1)    sub_image2 = cv2.split(image2)    sub_data = 0    for im1, im2 in zip(sub_image1, sub_image2):        sub_data += calculate(im1, im2)    sub_data = sub_data / 3    return sub_data  def cmpHash(hash2, hash3):    # Hash值对比    # 算法中1和0顺序组合起来的即是图片的指纹hash。顺序不固定，但是比较的时候必须是相同的顺序。    # 对比两幅图的指纹，计算汉明距离，即两个64位的hash值有多少是不一样的，不同的位数越小，图片越相似    # 汉明距离：一组二进制数据变成另一组数据所需要的步骤，可以衡量两图的差异，汉明距离越小，则相似度越高。汉明距离为0，即两张图片完全一样    n = 0    # hash长度不同则返回-1代表传参出错    if len(hash2) != len(hash3):        return -1    # 遍历判断    for i in range(len(hash2)):        # 不相等则n计数+1，n最终为相似度        if hash2[i] != hash3[i]:            n = n + 1    return n  def getImageByUrl(url):    # 根据图片url 获取图片对象    html = requests.get(url, verify=False)    image = Image.open(BytesIO(html.content))    return image  def PILImageToCV():    # PIL Image转换成OpenCV格式    path = "/Users/waldenz/Documents/Work/doc/TestImages/t3.png"    img = Image.open(path)    plt.subplot(121)    plt.imshow(img)    print(isinstance(img, np.ndarray))    img = cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)    print(isinstance(img, np.ndarray))    plt.subplot(122)    plt.imshow(img)    plt.show()  def CVImageToPIL():    # OpenCV图片转换为PIL image    path = "/Users/waldenz/Documents/Work/doc/TestImages/t3.png"    img = cv2.imread(path)    # cv2.imshow("OpenCV",img)    plt.subplot(121)    plt.imshow(img)     img2 = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))    plt.subplot(122)    plt.imshow(img2)    plt.show()  def bytes_to_cvimage(filebytes):    # 图片字节流转换为cv image    image = Image.open(filebytes)    img = cv2.cvtColor(np.asarray(image), cv2.COLOR_RGB2BGR)    return img  def runAllImageSimilaryFun(para1, para2):    # 均值、差值、感知哈希算法三种算法值越小，则越相似,相同图片值为0    # 三直方图算法和单通道的直方图 0-1之间，值越大，越相似。 相同图片为1    # t1,t2   14;19;10;  0.70;0.75    # t1,t3   39 33 18   0.58 0.49    # s1,s2  7 23 11     0.83 0.86  挺相似的图片    # c1,c2  11 29 17    0.30 0.31     if para1.startswith("Http"):        # 根据链接下载图片，并转换为opencv格式        img1 = getImageByUrl(para1)        img1 = cv2.cvtColor(np.asarray(img1), cv2.COLOR_RGB2BGR)         img2 = getImageByUrl(para2)        img2 = cv2.cvtColor(np.asarray(img2), cv2.COLOR_RGB2BGR)    else:        # 通过imread方法直接读取物理路径        img1 = cv2.imread(para1)        img2 = cv2.imread(para2)     hash2 = aHash(img1)    hash3 = aHash(img2)    n1 = cmpHash(hash2, hash3)    print('均值哈希算法相似度aHash：', n1)     hash2 = dHash(img1)    hash3 = dHash(img2)    n2 = cmpHash(hash2, hash3)    print('差值哈希算法相似度dHash：', n2)     hash2 = pHash(img1)    hash3 = pHash(img2)    n3 = cmpHash(hash2, hash3)    print('感知哈希算法相似度pHash：', n3)     n4 = classify_hist_with_split(img1, img2)    print('三直方图算法相似度：', n4)     n5 = calculate(img1, img2)    print("单通道的直方图", n5)    print("%d %d %d %.2f %.2f " % (n1, n2, n3, round(n4[0], 2), n5[0]))    print("%.2f %.2f %.2f %.2f %.2f " % (1 - float(n1 / 64), 1 -                                         float(n2 / 64), 1 - float(n3 / 64), round(n4[0], 2), n5[0]))     plt.subplot(121)    plt.imshow(Image.fromarray(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)))    plt.subplot(122)    plt.imshow(Image.fromarray(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)))    plt.show()  def runtwoImageSimilaryFun(para1, para2):    # 均值、差值、感知哈希算法三种算法值越小，则越相似,相同图片值为0    # 三直方图算法和单通道的直方图 0-1之间，值越大，越相似。 相同图片为1    # t1,t2   14;19;10;  0.70;0.75    # t1,t3   39 33 18   0.58 0.49    # s1,s2  7 23 11     0.83 0.86  挺相似的图片    # c1,c2  11 29 17    0.30 0.31     if para1.startswith("http"):        # 根据链接下载图片，并转换为opencv格式        img1 = getImageByUrl(para1)        img1 = cv2.cvtColor(np.asarray(img1), cv2.COLOR_RGB2BGR)         img2 = getImageByUrl(para2)        img2 = cv2.cvtColor(np.asarray(img2), cv2.COLOR_RGB2BGR)    else:        # 通过imread方法直接读取物理路径        img1 = cv2.imread(para1)        img2 = cv2.imread(para2)      hash2 = pHash(img1)    hash3 = pHash(img2)    n3 = cmpHash(hash2, hash3)     n4 = classify_hist_with_split(img1, img2)     return n3, n4   if __name__ == "__main__":    p1 = '/Users/Desktop/11/24.jpeg'    p2 = '/Users/Desktop/11/25.jpeg'    runAllImageSimilaryFun(p1, p2)

上述内容就是使用Python怎么删除列表重复元素，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注编程网Python频道。