# autoClassifyLines

**Repository Path**: bighippo78/autoClassifyLines

## Basic Information

- **Project Name**: autoClassifyLines
- **Description**: No description available
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-09-04
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

线路拼团自动分类
--

目前在一家旅行社工作，每季度甚至每个月，公司都会有做一些新线路上架销售；某些线路是可以互相拼团的。
比如说现在有一新系列叫梦游海南，下分梦游海南经济版、梦游海南豪华版，仅仅只是住宿酒店不同。
再后来，这条梦游海南线路又多了一条可拼团的衍生线路，叫梦遗海南，区别仅仅是第三晚改住南山景区里的酒店，所以我们又多了梦遗海南经济版、梦遗海南豪华版；
再往后来，为了配合线上半自助产品的需求，我们又做了一条半自助，前两天和行程梦游海南一样，最后两天行程是自由活动的，暂且管它叫梦飞海南2+2吧；
再后来，为了促进游艇出海和千古情景区的销售，我们又做了梦飞海南加强版，也就是在2+2半自助的基础上第三天可以选择游艇出海或者千古情景区。

目前为止我们已经有了梦游海南、梦遗海南、梦飞海南2+2，梦飞海南2+2加强版；每个版本按出游天数又有分5天4晚、6天5晚、按进出港的不同又有分海口进出、三亚进出、海进三出，按住宿标准的不同又有分经济版、豪华版。所以我们手上已经有了4 * 3 * 3 * 2 = 72条线路，而这72条线路其实是同一个系列的，实际操作过程中可以互相拼团。

结果到了下个季度，梦游海南产品又做了行程变化，为了区分行程变化以后收进来的订单，新订单录入时选择的线路名称叫梦游海南（8月），然后衍生的线路也一一改了名字。

当我们需要对这一整个系列做统计分析的时候，发现从数据库里导出来的是海量的线路名称。只有找到最初设计线路的人，才回忆得起来哪些线路其实是同一系列的。

再然后，设计线路的人离职/忘记了……

所以，我们现在手上只有像这样的一个表：

| 销售单号 | 线路名称 | 团号 |
| ------  | ------| ------|
|150001|海口梦游海南经济版5天4晚| 20150113A|
|150002|海口梦游海南豪华版6天5晚| 20150113A|
|150003|三亚梦遗海南豪华版4天3晚| 20150114C|
|150004|三亚梦飞海南2+2半自助5天4晚| 20150114C|
|150005|海口梦飞海南2+2千古情版5天4晚|20150115B|
|150006|三亚梦飞海南2+2半自助5天4晚|20150115B|
|150007|奥特兰克山谷豪华团5天4晚|20150118F|
|150008|哨塔高地5人精致小团6天5晚|20150118F|
|150009|冰雪墓地清明季怀古之旅4天3晚|20150118F|
|150010|海口梦游海南豪华版6天5晚|20150119C|
|150011|海口梦飞海南2+2千古情版5天4晚|20150119C|
......
整个表大概十几万行的样子。

我们只清楚一个规则，就是曾经拼到同一个团里的线路，也就是团号相同的线路，它们是同一系列的。
现在要利用这十几万拼团记录，来给几百个不同的线路归类。

实际用的数据只有两列，就是线路名称[lineName]，还有团号[saleLineGroupID]，销售单号直接用删掉了。

我这里的处理步骤是：先给整个表增加一列[style]，一开始都设为0。表就变成了下面这样：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|0|
|1|海口梦游海南豪华版6天5晚| 20150113A|0|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|0|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|0|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|0|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|0|
|6|奥特兰克山谷豪华团5天4晚|20150118F|0|
|7|哨塔高地5人精致小团6天5晚|20150118F|0|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|0|
|9|海口梦游海南豪华版6天5晚|20150119C|0|
|10|海口梦飞海南2+2千古情版5天4晚|20150119C|0|

然后从第一行开始遍历，当某行的[style]值为0时，将它变成[index] + 1,
同时将整个表中有相同[lineName]的行里的[style]值也改成相同的值。遍历完以后表如下：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|1|
|1|海口梦游海南豪华版6天5晚| 20150113A|2|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|3|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|4|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|5|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|6|
|6|奥特兰克山谷豪华团5天4晚|20150118F|7|
|7|哨塔高地5人精致小团6天5晚|20150118F|8|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|9|
|9|海口梦游海南豪华版6天5晚|20150119C|2|
|10|海口梦飞海南2+2千古情版5天4晚|20150119C|5|

这里我们就得到了初始化的数据。

接下来先遍历所有的[saleLineGroupID]，将所有同团的行里的[style]值，都改成最小的那个值。遍历完以后表如下：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|1|
|1|海口梦游海南豪华版6天5晚| 20150113A|1|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|3|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|3|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|5|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|5|
|6|奥特兰克山谷豪华团5天4晚|20150118F|7|
|7|哨塔高地5人精致小团6天5晚|20150118F|7|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|7|
|9|海口梦游海南豪华版6天5晚|20150119C|2|
|10|海口梦飞海南2+2千古情版5天4晚|20150119C|2|

然后再遍历所有的[lineName]，将所有相同线路名称的行里的[style]值，都改成最小的那个值。遍历完以后表如下：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|1|
|1|海口梦游海南豪华版6天5晚| 20150113A|1|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|3|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|3|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|2|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|5|
|6|奥特兰克山谷豪华团5天4晚|20150118F|7|
|7|哨塔高地5人精致小团6天5晚|20150118F|7|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|7|
|9|海口梦游海南豪华版6天5晚|20150119C|1|
|10|海口梦飞海南2+2千古情版5天4晚|20150119C|2|

到这里为止就完成了一个循环，我们可以看到[style]的值从一开始的9个，变成了5个。

接下来继续，先遍历所有的[saleLineGroupID]，将所有同团的行里的[style]值，都改成最小的那个值；
再遍历所有的[lineName]，将所有相同线路名称的行里的[style]值，都改成最小的那个值。遍历完以后表如下：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|1|
|1|海口梦游海南豪华版6天5晚| 20150113A|1|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|3|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|3|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|1|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|2|
|6|奥特兰克山谷豪华团5天4晚|20150118F|7|
|7|哨塔高地5人精致小团6天5晚|20150118F|7|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|7|
|9|海口梦游海南豪华版6天5晚|20150119C|1|
|10|海口梦飞海南2+2千古情版5天4晚|20150119C|1|

[style]的值又被消去了一个，变成了4个。如果再来一次循环，结果如下：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|1|
|1|海口梦游海南豪华版6天5晚| 20150113A|1|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|3|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|3|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|1|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|1|
|6|奥特兰克山谷豪华团5天4晚|20150118F|7|
|7|哨塔高地5人精致小团6天5晚|20150118F|7|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|7|
|9|海口梦游海南豪华版6天5晚|20150119C|1|
|10|海口梦飞海南2+2千古情版5天4晚|20150119C|1|

[style]值又被消去了一个，变成了3个。如果再继续循环，已经无法再消去[style]的值，所以循环结束。
现在我们去掉所有重复的[lineName],就得到了我们需要的分类结果：

| index | lineName | saleLineGroupID |style|
| ------  | ------| ------|------|
|0|海口梦游海南经济版5天4晚| 20150113A|1|
|1|海口梦游海南豪华版6天5晚| 20150113A|1|
|2|三亚梦遗海南豪华版4天3晚| 20150114C|3|
|3|三亚梦飞海南2+2半自助5天4晚| 20150114C|3|
|4|海口梦飞海南2+2千古情版5天4晚|20150115B|1|
|5|三亚梦飞海南2+2半自助4天3晚|20150115B|1|
|6|奥特兰克山谷豪华团5天4晚|20150118F|7|
|7|哨塔高地5人精致小团6天5晚|20150118F|7|
|8|冰雪墓地清明季怀古之旅4天3晚|20150118F|7|

所以我的算法大致如上。

如果大家有更好的算法，还请赐教。