Python 3.x Cython-Python列表的高效选项

我在Cython.pyx代码中有两个函数，它们随时间以随机方式调用：

cdef double dirac(self,Py_ssize_t i)nogil:
        cdef Py_ssize_t index
        with gil:
            if i in self.muId:
                index = self.muId.index(i)
                if self.muSpk[index] <= self.time[self.tInt]:
                    self.muId.pop(index)
                    self.muSpk.pop(index)
                    return 1/self.dt
                else:
                    return 0
            else:
                return 0

cdef双狄拉克（self，Py_-ssize_-ti）nogil:
cdef Py_-ssize_-t索引
与gil合作：
如果我在self.muId中：
索引=self.muId.index（i）
如果self.muSpk[index]没有完整的工作代码和附加信息，很难为您提供帮助。但是，如果列表很大，代码的问题是
in
运算符和
pop
方法的算法复杂度不好。在纯python中，使用dict可以很容易地解决这个问题，其中键是索引，值是计时（注意，标记应该是唯一的）。这将是len（muId）/2倍的平均速度！此外，我认为优先级队列在这里对您没有帮助。实际上，列表不会太大（可能小于1k），但dict不会有帮助，因为我可以在列表中重复muId。您可以使用或dict来处理重复项，因为元素是按顺序删除的。对于100~1000个元素，您应该可以获得很好的加速。如果没有完整的工作代码和附加信息，您将很难获得帮助。但是，如果列表很大，代码的问题是
in
运算符和
pop
方法的算法复杂度不好。在纯python中，使用dict可以很容易地解决这个问题，其中键是索引，值是计时（注意，标记应该是唯一的）。这将是len（muId）/2倍的平均速度！此外，我认为优先级队列在这里对您没有帮助。实际上，列表不会太大（可能小于1k），但dict不会有帮助，因为我可以在列表中重复muId。您可以使用或dict来处理重复项，因为元素是按顺序删除的。有了100~1000个元素，你应该可以获得很好的加速。
def addSpike(self,Py_ssize_t muId,double delay):
        self.muId.append(muId)
        self.muSpk.append(self.time[self.tInt] + delay)
        if self.LR < muId:
            self.LR = muId