Question

我有一些1维或2维的数据。我想遍历数据集中的每个模式并对其执行foo（）。如果数据是1D，则将该值添加到列表中，如果它是2D，则取内部列表的平均值并附加该值。我看到了this question，并决定实施它来检查列表的实例。我不能在这个应用程序中使用numpy。

    outputs = []
    for row in data:
        if isinstance(row, list):
            vals = [foo(window) for window in row]
            outputs.append(sum(vals)/float(len(vals)))
        else:
            outputs.append(foo(row))

有更简洁的方法吗？在每次运行时，每个模式都具有相同的维度，因此我可以为1D / 2D创建一个单独的类，但这将为我的代码添加许多类。数据集可能会变得非常大，因此最好采用快速解决方案。

Answer 1

您的代码已经几乎尽可能快速和快速。唯一的小改进是将[foo(window) for window in row]替换为map(foo, row)，这可以通过基准来看到：

> python -m timeit "foo = lambda x: x+1; list(map(foo, range(1000)))"
10000 loops, best of 3: 132 usec per loop
> python -m timeit "foo = lambda x: x+1; [foo(a) for a in range(1000)]"
10000 loops, best of 3: 140 usec per loop

isinstance()似乎比同行hasattr()和type() ==更快：

> python -m timeit "[isinstance(i, int) for i in range(1000)]"
10000 loops, best of 3: 117 usec per loop
> python -m timeit "[hasattr(i, '__iter__') for i in range(1000)]"
1000 loops, best of 3: 470 usec per loop
> python -m timeit "[type(i) == int for i in range(1000)]"
10000 loops, best of 3: 130 usec per loop

但是，如果你算得很简洁，你也可以简化你的代码（将map替换后）改为：

mean = lambda x: sum(x)/float(len(x)) #or `from statistics import mean` in python3.4
output = [foo(r) if isinstance(r, int) else mean(map(foo, r)) for r in data]

在Python中检查多维列表

1 个答案: