Question

我有四个长度相同的列表：

a=[a1,a2,a3,...,an]
b=[b1,b2,b3,...,bn]
c=[c1,c2,c3,...,cn]
d=[d1,d2,d3,...,dn]

我想做的是：

lengh=len(a)
s=[]
for i in range(0,lengh):
    if a[i]>b[i] and a[i]>c[i]:
        s.append(a[i]+0.5*b[i]+0.25*d[i])
    elif b[i]>a[i] and b[i]>c[i]:
        s.append(b[i]+0.5*a[i]+0.25*d[i])
    else:
        s.append(c[i]+0.25*d[i])

这很有用，但是len(a)>30000000并且它太慢了。我该怎么做才能加快这段代码的速度？

Answer 1

使用for循环是非常低效的，使用numpy列表同样是糟糕的形式。

对我来说，答案取决于使用numpy.choose()，它将采用一个索引数组（基于上面if语句的哪一部分适用于给定索引将为0,1,2）以及一系列numpy数组，您可以在其中计算上面的每个if计算。

因此，假设您将列表转换为numpy数组，例如：

choice1 = a+0.5*b+0.25*d
choice2 = b+0.5*a+0.25*d
choice3 = c+0.25*d

然后，

opt1 = np.greater(a,np.max(b,c))*1
opt2 = np.greater(b,np.max(a,c))*2
opt3 = np.greater(c,np.max(a,b))*3
ind = np.max(opt1,np.max(opt2,opt3))-1
s = np.choose(ind,choice1,choice2,choice3)

Numpy正在快速处理数组，所以虽然这看起来像是浪费了大量精力，但你却避免了for循环开销，这对于大型数组来说将是一个巨大的胜利。

Answer 2

您的问题标有 numpy 和 pandas ，即使您只有Python列表。所以你暗示如何加快速度。

import numpy as np
import numexpr as ne

# function that takes Numpy arrays    
def compute_result(a, b, c, d):
    s1 = ne.evaluate('a + 0.5*b + 0.25*d')
    s2 = ne.evaluate('b + 0.5*a + 0.25*d')
    s3 = ne.evaluate('c + 0.25*d')
    s = np.where((a>b)&(a>c), s1, np.where((b>a)&(b>c), s2, s3))
    return s

现在检查一下表现：

length = 30000000
a = np.random.rand(length)
b = np.random.rand(length)
c = np.random.rand(length)
d = np.random.rand(length)

然后在iPython中：

In [35]: %timeit compute_result(a, b, c, d)
1 loops, best of 3: 2.31 s per loop

如何加快我的代码比较python中的四个列表？

2 个答案: