如何遍历嵌套列表，将第一个元素与另一个列表进行比较，然后追加到新列表？答案

【问题标题】：How to loop through a nested list, compare the first element to another list, and then append to a new list?如何遍历嵌套列表，将第一个元素与另一个列表进行比较，然后追加到新列表？
【发布时间】：2020-07-10 03:33:37
【问题描述】：

我正在尝试为 CNN 创建三个单独的列表（训练、测试和验证）。
我有三个仅包含图像名称的列表（train_data、test_data、val_data）

train_data = ["img_1.png", "img_2.png"] 
test_data = ["image_3.png", "img_4.png"] 
val_data = ["img_5.png", "img_6.png"]

我有另一个嵌套列表，其中包含深度学习模型的所有图像名称和相关标签

image_annotations = [['img_1.png', 432, 662, 554, 749, 'class'], 
    ['img_1.png', 647, 456, 754, 594, 'class'], ['img_2.png', 598, 659, 897, 
    302, 'class']]

我想在我的image_annotations 列表中运行一个循环，如果图像名称与我的train_data, test_data, val_data 列表中的图像名称相同，那么我想将以下四个数字和类名附加到该列表中。 image_annotations 列表具有相同图像的多个列表，但边界框编号不同。我想这可能很简单，但我无法弄清楚。

【问题讨论】：

你的问题意味着你最终会得到一个这样的列表：train_data=["img_1.png", "img_2.png", 432, 662, 554, 749,598, 659, 897, 302 ]，这是你想要的吗？
@Rphad 很好，不，这不是我需要的最终格式。我需要的最终列表类似于 train_data = [["img_1.png", 546, 789, 987, 567, 'class'], ["img_1.png", 435, 546, 768, 459, 'class'] , ["img_2.png", 234, 456, 763, 946, 'class']]]

标签： python list loops deep-learning nested-lists

【解决方案1】：

我认为这可能会对您有所帮助：

train_data_full = []
for t_d in train_data:
    for i_a in image_annotations:
        if t_d in i_a:
            train_data_full.append(i_a)

【讨论】：

【解决方案2】：

这将是您问题的答案

train_data = ["img_1.png", "img_2.png"] 
test_data = ["image_3.png", "img_4.png"] 
val_data = ["img_5.png", "img_6.png"]
image_annotations = [['img_1.png', 432, 662, 554, 749, 'class'],['img_1.png', 647, 456, 754, 594, 'class'],['img_2.png', 598, 659, 897, 302, 'class']]
my_lists = [train_data, test_data, val_data]
for im in image_annotations:
    for k in my_lists:
        if im[0] in k:
            for i in range(1,5):
                k.append(im[i])

for list in my_lists:
    print(list)

【讨论】：

【解决方案3】：

你可以使用：

train_data = ["img_1.png", "img_2.png"] 
test_data = ["image_3.png", "img_4.png"] 
val_data = ["img_5.png", "img_6.png"]

image_annotations = [['img_1.png', 432, 662, 554, 749, 'class'], 
    ['img_1.png', 647, 456, 754, 594, 'class'], ['img_2.png', 598, 659, 897, 
    302, 'class']]

# get a maping with all the img names and their value
d = {}
for e in image_annotations:
    d.setdefault(e[0], []).append(e)


# set new values to data variables accordding to dict d
for l in train_data, test_data, val_data:
    l[:] = [e for i in l for e in d.get(i, [i])]


print(train_data)
print(test_data)
print(val_data)

输出：

[['img_1.png', 432, 662, 554, 749, 'class'], ['img_1.png', 647, 456, 754, 594, 'class'], ['img_2.png', 598, 659, 897, 302, 'class']]
['image_3.png', 'img_4.png']
['img_5.png', 'img_6.png']

【讨论】：