如何避免创建不必要的列表？

Question

我经常遇到这样的情况：我从文件或任何地方提取一些信息，然后必须通过几个步骤将数据按摩成最终所需的形式。例如：

def insight_pull(file):
    with open(file) as in_f:
        lines = in_f.readlines()

        dirty = [line.split('    ') for line in lines]
        clean = [i[1] for i in dirty]
        cleaner = [[clean[i],clean[i + 1]] for i in range(0, len(clean),2)]
        cleanest = [i[0].split() + i[1].split() for i in cleaner]


        with open("Output_File.txt", "w") as out_f:
            out_f.writelines(' '.join(i) + '\n' for i in cleanest)

如上例：

    # Pull raw data from file splitting on '   '.
    dirty = [line.split('    ') for line in lines]

    # Select every 2nd element from each nested list.
    clean = [i[1] for i in dirty]

    # Couple every 2nd element with it's predecessor into a new list.
    cleaner = [[clean[i],clean[i + 1]] for i in range(0, len(clean),2)]

    # Split each entry in cleaner into the final formatted list.
    cleanest = [i[0].split() + i[1].split() for i in cleaner]

鉴于我不能将所有编辑放入一行或循环中（因为每个编辑都取决于之前的编辑），有没有更好的方法来构建这样的代码？

如果问题有点含糊，我们深表歉意。非常感谢任何意见。

Answer 1

生成器表达式

您不想创建多个列表是正确的。您的列表理解创建了一个全新的列表，浪费了内存，并且您正在遍历每个列表！

@VPfB 使用生成器的想法是一个很好的解决方案，如果您的代码中有其他地方可以重用生成器。如果您不需要重用生成器，请使用生成器表达式。

生成器表达式是惰性的，就像生成器一样，所以当链接在一起时，就像这里一样，循环将在结束时计算一次，当调用 writelines 时。

def insight_pull(file):
    with open(file) as in_f:
        dirty = (line.split('    ') for line in in_f)    # Combine with next
        clean = (i[1] for i in dirty)
        cleaner = (pair for pair in zip(clean,clean))    # Redundantly silly
        cleanest = (i[0].split() + i[1].split() for i in cleaner)

        # Don't build a single (possibily huge) string with join
        with open("Output_File.txt", "w") as out_f:
            out_f.writelines(' '.join(i) + '\n' for i in cleanest)

保留上面的内容，因为它直接匹配您的问题，您可以更进一步：

def insight_pull(file):
    with open(file) as in_f:
        clean = (line.split('    ')[0] for line in in_f)
        cleaner = zip(clean,clean)
        cleanest = (i[0].split() + i[1].split() for i in cleaner)

        with open("Output_File.txt", "w") as out_f:
            for line in cleanest:
                out_f.write(line + '\n')

Answer 2

我从您的示例中假设只有cleanest 列表对您有任何实际价值，其余的只是中间步骤，可以毫无顾虑地丢弃。

假设是这样，为什么不在每个中间步骤重用相同的变量，这样你就不会在内存中保存多个列表？

def insight_pull(file):
    with open(file) as in_f:
        my_list = in_f.readlines()

        my_list = [line.split('    ') for line in my_list]
        my_list = [i[1] for i in my_list]
        my_list = [[my_list[i],my_list[i + 1]] for i in range(0, len(my_list),2)]
        my_list = [i[0].split() + i[1].split() for i in my_list]


    with open("Output_File.txt", "w") as out_f:
        out_f.writelines(' '.join(i) + '\n' for i in my_list)

Answer 3

如果您正在考虑性能，那么您正在寻找生成器。生成器很像列表，但它们的评估是惰性的，这意味着每个元素只在需要时才生成。例如，在下面的序列中，我实际上并没有创建 3 个完整列表，每个元素只评估一次。以下只是生成器的一个示例使用（据我了解，您的代码只是您遇到的问题的一个示例，而不是具体问题）：

# All even values from 2-18
even = (i*2 for i in range(1, 10))

# Only those divisible by 3
multiples_of_3 = (val for val in even if val % 3 == 0)

# And finally, we want to evaluate the remaining values as hex
hexes = [hex(val) for val in multiples_of_3]
# output: ['0x6', '0xc', '0x12']

前两个表达式是生成器，最后一个只是列表推导式。当有很多步骤时，这将节省大量内存，因为您不会创建中间列表。请注意，生成器不能被索引，它们只能被评估一次（它们只是值流）。

Answer 4

为了实现这个目标，我会推荐流水线处理。我找到了一篇解释该技术的文章：generator pipelines。

这是我将循环直接转换为管道的尝试。该代码未经测试（因为我们没有要测试的数据）并且可能包含错误。

func 名称中前导的f 代表过滤器。

def fromfile(name):
    # see coments
    with open(name) as in_f:
        for line in in_f:
            yield line

def fsplit(pp):
    for line in pp: 
        yield line.split('    ')

def fitem1(pp):
    for item in pp: 
        yield item[1]

def fpairs(pp):
    # edited
    for x in pp:
        try:
            yield [x, next(pp)]
        except StopIteration:
            break

def fcleanup(pp):
    for i in pp: 
        yield i[0].split() + i[1].split()

pipeline = fcleanup(fpairs(fitem1(fsplit(fromfile(NAME)))))

output = list(pipeline)

对于实际使用，我会聚合前 3 个过滤器以及接下来的 2 个过滤器。