Python 浏览列表的最快方式。如果x在列表中，则检索列表中有x的元素

如果我有一份清单，例如

[{'id': '129', 'label': 'UK 9 (Out of Stock)', 'price': '0', 'oldPrice': '0', 'products': ['105514', False, '0'], 'disabled': 'disabled'},
{'id': '130', 'label': 'UK 9½', 'price': '0', 'oldPrice': '0', 'products': ['105515', True, '0'], 'disabled': ''},
{'id': '131', 'label': 'UK 10 (Out of Stock)', 'price': '0', 'oldPrice': '0', 'products': ['105516', False, '0'], 'disabled': 'disabled'}]

要获取列表中的元素，请使用“未禁用”或“true”等

我想知道如果我有一个很长的列表，最快的方法是什么

感谢您的回答。

列表本质上是一个用于查找的O（n）结构；如果你需要找到一些东西，你只需浏览列表，直到找到为止

在您的情况下，

id

值似乎是唯一的。如果是这种情况，您可以通过稍微修改数据结构使访问时间为O（1）：

{
  '129': {'label': 'UK 9 (Out of Stock)', 'price': '0', 'oldPrice': '0', 'products': ['105514', False, '0'], 'disabled': 'disabled'},
  '130': {'label': 'UK 9½', 'price': '0', 'oldPrice': '0', 'products': ['105515', True, '0'], 'disabled': ''},
  '131': {'label': 'UK 10 (Out of Stock)', 'price': '0', 'oldPrice': '0', 'products': ['105516', False, '0'], 'disabled': 'disabled'}
}

这会将最外层的集合转换为字典，并键入各个项的ID。对于大量项目，如果您直接使用键（例如

d['129']

）访问项目，那么这将比使用

[]

列表的访问时间快得多。如果您使用类似于

d.keys（）

的方法扫描它，您又回到了O（n）

---

如果绝对需要能够使用多个元素选择此字典的成员进行访问，则可能需要构建自定义数据结构（）。这是否值得，实际上取决于大有多大。如果您有几千条记录，只需坚持使用列表，您将不会注意到差异（并且使用定制的解决方案可能会更慢）。如果你有几百万，那么开始寻找优化的方法。

你可以把它放在一个数据帧中，与for循环相比，不确定它的速度

import pandas as pd
data = {
  '129': {'label': 'UK 9 (Out of Stock)', 'price': '0', 'oldPrice': '0', 'products': ['105514', False, '0'], 'disabled': 'disabled'},
  '130': {'label': 'UK 9½', 'price': '0', 'oldPrice': '0', 'products': ['105515', True, '0'], 'disabled': ''},
  '131': {'label': 'UK 10 (Out of Stock)', 'price': '0', 'oldPrice': '0', 'products': ['105516', False, '0'], 'disabled': 'disabled'}
}

df = pd.DataFrame(data)

df[df.disabled!=''].to_dict(orient='records')

输出：

[{'id': '129',
  'label': 'UK 9 (Out of Stock)',
  'price': '0',
  'oldPrice': '0',
  'products': ['105514', False, '0'],
  'disabled': 'disabled'},
 {'id': '131',
  'label': 'UK 10 (Out of Stock)',
  'price': '0',
  'oldPrice': '0',
  'products': ['105516', False, '0'],
  'disabled': 'disabled'}]```

在这种情况下，即使您进入“组装级别”，您也必须检查列表中的每个元素是否符合所需的条件

唯一可能的加速方法是记录元素的数量

“带但不带禁用或带true等”

---

当您创建列表时，您只需直接进入这些元素并添加，但老实说，您无法避免对列表进行迭代，如果您不这样做，计算机内部将进行迭代。

下面是与时间估计的比较。我使用了

列表理解

和

熊猫数据帧

。一旦将数据作为数据帧加载进来，数据帧方法会更快。但是，如果你考虑数据中的加载，显然是列表理解出现在<强>优胜者< /强>。 我列出了100万本字典，每本都和你们的结构相似

注意：

CPU times: user 178 ms, sys: 0 ns, total: 178 ms
Wall time: 184 ms

CPU times: user 68.4 ms, sys: 6.03 ms, total: 74.4 ms
Wall time: 75.6 ms

CPU times: user 1.2 s, sys: 49.5 ms, total: 1.25 s
Wall time: 1.26 s

• 这项测试是在带有两个CPU的google colab笔记本上进行的。操作系统：Ubuntu Linux
• 此外，我还修改了代码，以帮助使用

  val.get（'id'）

  检查输出，而不是使用所需的

  val.get（'disabled'）

制作虚拟数据

将numpy导入为np
作为pd进口熊猫
def make_dict（id=0，disabled=True）：
dis=“禁用”如果禁用，则为“禁用”，否则为“”
d={'id'：id，'label'：'UK 9½'，'price'：'0'，'oldPrice'：'0'，'products'：['105515'，True，'0']，'disabled'：dis}
返回d
def制造列表（大小=10，种子=0）：
np.random.seed（seed=seed）
状态=（np.random.rand（大小）>0.5）
ids=np.arange（尺寸）+1
VAL=[id为make_dict（id=id，disabled=disabled），zip为disabled（id，status）]
返回VAL
VAL=制作列表（大小=1000000，种子=0）
df=pd.数据帧（VAL）

1.测试列表理解（最佳选项：最快）

%%次
如果val.get（'disabled'）=''，则val中val的id=[val.get（'id'）表示val

输出：

CPU times: user 178 ms, sys: 0 ns, total: 178 ms
Wall time: 184 ms

CPU times: user 68.4 ms, sys: 6.03 ms, total: 74.4 ms
Wall time: 75.6 ms

CPU times: user 1.2 s, sys: 49.5 ms, total: 1.25 s
Wall time: 1.26 s

2.测试数据帧（无数据加载）

这里，我们不考虑加载数据作为数据文件所需的时间。

%%次
ids=df.loc[df['disabled']=''，'id'].tolist（）

输出：

CPU times: user 178 ms, sys: 0 ns, total: 178 ms
Wall time: 184 ms

CPU times: user 68.4 ms, sys: 6.03 ms, total: 74.4 ms
Wall time: 75.6 ms

CPU times: user 1.2 s, sys: 49.5 ms, total: 1.25 s
Wall time: 1.26 s

3.测试数据帧（带数据加载） 这里我们确实包括了将数据作为数据帧加载所需的时间

%%次
df=pd.数据帧（VAL）
ids=df.loc[df['disabled']=''，'id'].tolist（）

输出：

CPU times: user 178 ms, sys: 0 ns, total: 178 ms
Wall time: 184 ms

CPU times: user 68.4 ms, sys: 6.03 ms, total: 74.4 ms
Wall time: 75.6 ms

CPU times: user 1.2 s, sys: 49.5 ms, total: 1.25 s
Wall time: 1.26 s

---

你说的“有无残疾或有真实等等”是什么意思？@smac89我只想要列表中没有残疾的元素。我将对此进行投票，因为熊猫有相当快的潜力，但我对它也有点了解。。。如果使用（滥用）不当，这可能是一个真正的诅咒。@Kim看看这个比较。也许你在找这样的东西。