在未排序的float列表中找到最接近元素的索引的最快方法

Question

給定一個未排序的浮點列表作為輸入，找到最接近的元素到某個值的索引的最有效方法是什么？ 我想到了一些潛在的解決方案：

對於：

x = random.sample([float(i) for i in range(1000000)], 1000000)

1）自己的功能：

def min_val(lst, val):
    min_i = None
    min_dist = 1000000.0
    for i, v in enumerate(lst):
        d = abs(v - val)
        if d < min_dist:
            min_dist = d
            min_i = i
    return min_i

結果：

%timeit min_val(x, 5000.56)
100 loops, best of 3: 11.5 ms per loop

2）

%timeit min(range(len(x)), key=lambda i: abs(x[i]-5000.56))
100 loops, best of 3: 16.8 ms per loop

3）脾氣暴躁（包括轉換）

%timeit np.abs(np.array(x)-5000.56).argmin()
100 loops, best of 3: 3.88 ms per loop

通過該測試，似乎將列表轉換為numpy數組是最好的解決方案。 但是，我想到兩個問題：

1. 那確實是一個現實的比較嗎？
2. numpy解決方案是在Python中實現此目標的最快方法嗎？

Answer 1

考慮QuickSort中的分區算法 。 分區算法重新排列列表，以使樞軸元素在調用后位於其最終位置。 然后，根據樞軸的值，可以對數組中可能包含最接近目標的元素的部分進行分區。 找到所要查找的元素或具有長度為1的分區（包含元素）后，就可以完成。

您要解決的一般問題是選擇問題 。

在您的問題中，您想知道要使用哪種數組/列表實現，這將對性能產生影響。 與列表/數組表示法相反，更大的因素將是搜索算法。

根據@Andrzej的評論進行編輯

啊，那我誤會了你的問題。 嚴格來說，線性搜索始終為O（n），因此無論基礎數據結構如何，Big-Oh分析范圍內的效率都是相同的。 這里的陷阱是，對於線性搜索，您需要一個很好的簡單數據結構來盡可能提高運行時性能。

Python列表是對象的引用數組，而（據我所知）Numpy數組是對象的連續數組。 Numpy數組的性能更好，因為它不必取消引用對象即可獲取值。

對於Python列表與Numpy數組，您的比較技術似乎是合理的。 我不願意說Numpy數組是解決問題的最快方法，但它的性能應比Python列表更好。