本文介绍如何从二维列表中精准筛选出含有至少两组不同重复值（即至少两个数值各自出现≥2次）的子列表，并统一返回各子列表的去重后元素集合。
本文介绍如何从二维列表中精准筛选出含有**至少两组不同重复值**（即至少两个数值各自出现≥2次）的子列表，并统一返回各子列表的去重后元素集合。
在处理结构化列表数据时，常需识别“高重复复杂度”的子列表——例如某行数据中同时存在多个重复项（如 15 出现两次、17 也出现两次），而非仅单一元素重复（如只有 10 重复两次）。这类需求常见于数据清洗、异常模式检测或特征预筛选等场景。
要实现该目标，核心在于：
对每个子列表统计元素频次，判断是否有 ≥2 个元素的出现次数严格大于 1
。Python 的 collections.Counter 是完成频次统计最简洁高效的选择。
以下为完整可运行解决方案：
✅
关键说明
：
Counter(sublist).values() 返回各元素频次；
sum(1 for count in ... if count > 1) 精确统计“重复元素种类数”（非总重复次数）；
使用 list(set(sublist)) 去重并转为列表，满足输出格式要求；
结果中子列表内元素顺序不保证（因 set 无序），如需保持原始首次出现顺序，可替换为 dict.fromkeys(sublist)（Python 3.7+ 保持插入序）：
⚠️
注意事项
：
若子列表含 None、可变类型（如 list）将导致 Counter 报错，需提前清洗；
时间复杂度为
O(N×M)
（N 为子列表数，M 为平均长度），对百万级数据建议分批处理或改用 NumPy 向量化优化；
本方案严格区分“重复组数”与“重复总次数”——例如 [1,1,1,2,2,2] 中仅有 1 和 2 两组重复，符合条件；而 [1,1,2,3,4] 仅 1 组，被排除。
该方法逻辑清晰、扩展性强，可轻松调整阈值（如改为 >= 3 组重复）或叠加其他条件（如同时要求子列表长度 > 5），是生产环境中稳健的重复模式识别基线方案。
from collections import Counter
Df = [
[2, 3, 5, 20], # 无重复 → 排除
[5, 10, 20, 10], # 仅 10 重复（1 组）→ 排除
[4, 13, 15, 15, 17, 34, 17], # 15×2, 17×2 → 满足（2 组）→ 保留
[33, 34, 15, 21], # 无重复 → 排除
[12, 16, 24, 32, 12, 33, 24] # 12×2, 24×2 → 满足（2 组）→ 保留
]
# 筛选逻辑：统计每个子列表中「出现次数 > 1」的元素个数，要求 ≥ 2
res = [
list(set(sublist))
for sublist in Df
if sum(1 for count in Counter(sublist).values() if count > 1) >= 2
]
print(res)
# 输出: [[34, 4, 13, 15, 17], [32, 33, 12, 16, 24]]# 替代去重方式（保序）
list(dict.fromkeys(sublist))