如何以最佳方式在Python中存储集合数据？

Question

我有一份数据清单，格式如下：

[(id\__1_, description, id\_type), (id\__2_, description, id\_type), ... , (id\__n_, description, id\_type))

数据是从属于同一组的文件加载的。在每个组中，可能有相同id的倍数，每个都来自不同的文件。我不在乎复制品，所以我想一个很好的方法来存储所有这些，就是把它扔进一个集合类型。但有个问题。

有时，对于同一id，描述可能略有不同，如下所示：

IPI00110753号

• 微管蛋白α-1A链
• 微管蛋白α-1链
• α-微管蛋白1
• α-微管蛋白同种型M-α-1

（注意，这个例子取自uniprot protein database。）

我不在乎描述是否不同。我不能扔掉它们，因为我使用的蛋白质数据库可能不包含某个标识符的列表。如果发生这种情况，我将希望能够向生物学家展示人类可读的描述，以便他们大致知道他们在看什么蛋白质。

我目前正在使用字典类型解决此问题。不过，我不太喜欢这个解决方案，因为它使用了大量内存（我有很多这些ID）。这只是他们中间人的名单。在将ID放入数据库之前，还需要进行一些额外的处理，所以我希望保持我的数据结构更小。

我真的有两个问题。首先，我会使用Set类型（而不是dictionary类型）得到更小的内存占用，还是应该使用排序列表，在每次插入列表时都要检查该ID是否存在，或者是否有第三个解决方案是我没有想到的？其次，如果Set类型是更好的答案，那么我如何设置它的键，使其只查看元组的第一个元素，而不是整个元素？

感谢您阅读我的问题，
提姆

更新

根据我收到的一些评论，让我澄清一点。我对数据结构所做的大部分工作都是插入到其中。我只读了两次，一次是用附加信息注释，*一次是插入数据库。不过，在我插入数据库之前，可能还有其他注释要做。不幸的是，我不知道这个时候会不会发生。

现在我正在研究如何将这些数据存储在一个不基于哈希表（即字典）的结构中。我希望新的结构在插入时相当快，但是读取它可能是线性的，因为我只实际执行了两次。我正试图从哈希表中移开以节省空间。是否有更好的结构或哈希表是它得到的最好的？

*信息是通过查询uniprot得到的瑞士Prot蛋白标识符列表。