我列出了我的非零值的平均值。
E.G
[2,2,0,0,0] -> 2
[1,1,0,1,0] -> 1
[0,0,0,9,0] -> 9
[2,3,0,0,0] -> 2.5
目前我正在这样做:
list_ = [1,1,0,1,0]
non_zero = [float(v) for v in list_ if v>0]
averge = sum(non_zero)/len(non_zero)
如何更有效地执行此操作?
答案 0 :(得分:3)
如果你从一个numpy数组开始,你可以使用np.nonzero
来过滤数组,然后取平均值:
a = np.array([2,3,0,0,0])
average = a[np.nonzero(a)].mean()
您还可以通过布尔索引进行过滤,这似乎更快:
average = a[a!=0].mean()
您还可以使用a>0
轻松更改上述方法以过滤正值。
<强>计时强>
使用以下设置:
a = np.random.randint(100, size=10**6)
我得到以下时间:
%timeit a[a!=0].mean()
100 loops, best of 3: 4.59 ms per loop
%timeit a[a.nonzero()].mean()
100 loops, best of 3: 9.82 ms per loop
答案 1 :(得分:3)
这是一种矢量化方法,在将列表列表转换为2D
数组后进行求和 -
from __future__ import division
a = np.asarray(list_)
a.sum(1)/(a!=0).sum(1)
示例运行 -
In [32]: list_ # Input list of lists
Out[32]: [[2, 2, 0, 0, 0], [1, 1, 0, 1, 0], [0, 0, 0, 9, 0], [2, 3, 0, 0, 0]]
In [33]: a = np.asarray(list_) # Convert to array
In [34]: a.sum(1)/(a!=0).sum(1) # Divide row sums by count of non-zeros
Out[34]: array([ 2. , 1. , 9. , 2.5])
答案 2 :(得分:2)
您可以使用np.nonzero
:
l = np.array([2,2,0,0,0])
l[l.nonzero()].mean()
Out[17]: 2.0
一个粗略的基准,包含您当前的方法和这个方法:
def luis_way(l):
non_zero = [float(v) for v in l if v>0]
average = sum(non_zero)/len(non_zero)
return average
def np_way(l):
return l[l.nonzero()].mean()
In [19]: some_l = np.random.randint(2, size=10000)
In [20]: %timeit luis_way(some_l)
100 loops, best of 3: 4.72 ms per loop
In [21]: %timeit np_way(some_l)
1000 loops, best of 3: 262 µs per loop
对于小型输入,您当前的方法可能很好。 然而值得注意的是,您当前的答案实际上并未采用所有非零元素,而只采用正元素。