Pythonic 编写循环的方法

Question

我有两个列表：a = [1, 2, 3] 和 b = [4, 5, 6]。

我在python中使用了两个循环从a的每个元素中减去b的每个元素。

import numpy as np
a = [1, 2, 3]
b = [4, 5, 6]
p = -1
result = np.zeros(len(a)*len(a))
for i in range(0,len(a)):
    for j in range(0,len(a)):
        p = p + 1
        result[p] = a[i] - b[j]

我的结果是正确的：result = [-3., -4., -5., -2., -3., -4., -1., -2., -3.]。

但是，我想知道是否有更优雅（'pythonic'）的方式来做到这一点。

Answer 1

没有必要使用索引。您可以迭代这些值。

a = [1, 2, 3]
b = [4, 5, 6]
result = []
for x in a:
    for y in b:
        result.append(x - y)

pythonic 方式是列表推导式。

a = [1, 2, 3]
b = [4, 5, 6]
result = [x - y for x in a for y in b]

请记住，您应该在实际代码中为a、b、x 和y 使用有意义的名称。

Answer 2

既然你已经在使用numpy，就这么简单：

In [29]: numpy.repeat(a, len(b)) - numpy.tile(b, len(a))
Out[29]: array([-3, -4, -5, -2, -3, -4, -1, -2, -3])

对于 cmets 中的每个请求，OP 想要 1d 输出大小 N^2（虽然 2d 可能更自然），因为 numpy 提供了方便的函数来将 N 大小的数组扩展到 N^M，即 repeat 和 tile ：

numpy.repeat([1,0], 2)
array([1, 1, 0, 0])

numpy.tile([1,0], 2)
array([1, 0, 1, 0])

一旦a 和b 都被重新格式化为p 的形状，这就是numpy 中原生的逐元素减法问题。

Answer 3

Pythonic 方式将使用itertools.product，因为它返回传递给它的迭代的笛卡尔积。由于不涉及 Python 循环，因此与使用循环的版本相比，它会更快：

>>> from operator import sub
>>> from itertools import starmap, product
>>> list(starmap(sub, product(a, b)))
[-3, -4, -5, -2, -3, -4, -1, -2, -3]

在 NumPy 中，您可以使用提到的食谱 here：

>>> arr = np.dstack(np.meshgrid(a, b)).reshape(-1, 2)
>>> np.subtract(arr[:,0], arr[:,1])
array([-3, -2, -1, -4, -3, -2, -5, -4, -3])

时间比较：

>>> b = [4, 5, 6]*1000
>>> a = [1, 2, 3]*1000
>>> %timeit list(starmap(sub, product(a, b)))
1 loops, best of 3: 464 ms per loop
>>> %timeit [x - y for x in a for y in b]
1 loops, best of 3: 491 ms per loop
>>> %%timeit                                 
result = []
for x in a:
    for y in b:
        result.append(x - y) #attribute lookup is slow
... 
1 loops, best of 3: 908 ms per loop
>>> %%timeit
result = [];append = result.append 
for x in a:
    for y in b:
        append(x - y)
... 
1 loops, best of 3: 617 ms per loop
#Numpy version will be little faster if a and b were nd arrays.
>>> %timeit arr = np.dstack(np.meshgrid(a, b)).reshape(-1, 2);np.subtract(arr[:,0], arr[:,1])
1 loops, best of 3: 573 ms per loop