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，因此我正在寻找性能方面最有效的方法。

参考这个问题，如果l是浮点数列表，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 所建议的那样，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)

sum(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)

reduce

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. 将列表转换为np.array后numpy.mean(a)
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，你不需要强制转换（使用float ）

Answer 2

下午好，我刚刚对列表中的 10 个随机浮点数进行了测试，并进行了时间测试，发现 numpy 是最快的。

#!/usr/bin/python

import numpy as np
from functools import reduce
import time

l = [0.1, 2.3, 23.345, 0.9012, .002815, 8.2, 13.9, 0.4, 3.02, 10.1]

def test1():
    return np.mean(l)

def test2():
    return sum(l) / float(len(l))

def test3():
    return reduce(lambda x, y: x + y, l) / len(l)

def timed():
    start = time.time()
    test1()
    print('{} seconds'.format(time.time() - start))
    start = time.time()
    test2()
    print('{} seconds'.format(time.time() - start))
    start = time.time()
    test3()
    print('{} seconds'.format(time.time() - start))

timed()

与往常一样，我确信有更好的方法可以做到这一点，但这可以解决问题。 这是一个小列表：看看你在大列表中找到了什么会很有趣。