python - 计算列表平均值的最快方法

Question

我想找到计算 python list 平均值的最快方法。我有数百万个 list 存储在 dictionary 中，所以我正在寻找性能方面最有效的方法。

引用this question ,如果 l 是一个 float 列表，我有

• numpy.mean(l)
• sum(l)/float(len(l))
• reduce(lambda x, y: x + y, l)/len(l)

哪种方式最快？

Answer 1

正如@DeepSpace 所建议的，您应该尝试自己回答这个问题。在使用 numpy.mean 之前，您还可以考虑将列表转换为数组。将 %timeit 与 ipython 一起使用，如下所示:

In [1]: import random
In [2]: import numpy
In [3]: from functools import reduce
In [4]: l = random.sample(range(0, 100), 50) # generates a random list of 50 elements

numpy.mean 不转换为 np.array

In [5]: %timeit numpy.mean(l)
32.5 µs ± 2.82 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

numpy.mean 转换为 np.array

In [5]: a = numpy.array(a)
In [6]: %timeit numpy.mean(a)
17.6 µs ± 205 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

sum(l)/float(len(l))

In [5]: %timeit sum(l) / float(len(l)) # not required casting (float) in Python 3
774 ns ± 20.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

总和(l)/len(l)

In [5]: %timeit sum(l) / len(l)
623 ns ± 27.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

减少

In [6]: reduce(lambda x, y: x + y, l) / len(l)
5.92 µs ± 514 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

从最慢到最快:

1. numpy.mean(l) 不转换为数组
2. numpy.mean(a)将列表转换为 np.array
3. reduce(lambda x, y: x + y, l)/len(l)
4. sum(l)/float(len(l))，这适用于 Python 2 和 3
5. sum(l)/len(l) # 对于 Python 3，你不需要转换(使用 float)