是否有一种更具pythonic风格/更高效的方法来循环包含列表的字典，而不是使用for循环？

在使用

get

以

JSON

格式从

API

提取信息之后，我现在尝试以高效的方式计算

price

的平均值

数据

（API调用响应示例）：

我通过以下代码成功地做到了这一点：

len_sales = len(data["data"]["sales"])
total_p = 0 
for i in range(0,len_sales):
    total_p += float(data["data"]["sales"][i]["price"])
average = total_p/len_sales
print average

然而，由于检索到的

数据

字典很大，因此在显示输出之前似乎有相当长的等待时间

---

因此，我想知道是否有一种更有效和/或类似于python的方法可以在更短的时间内实现相同的结果。

首先，你不是在循环一个dict，而是在循环一个恰好位于dict内部的列表

第二，为列表中的每个值做一些事情本质上需要访问列表中的每个值；没有办法绕过线性成本

因此，唯一可用的是微优化，如果你的代码太慢，可能不会有太大的区别，快10%没有帮助，如果你的代码已经足够快，你不需要它，但偶尔需要它们

在这种情况下，几乎所有的微优化也使代码更具可读性和python风格，因此没有理由不这样做：

---

首先，您要访问

数据[“数据”][“销售”]

两次。这样做的性能成本可能可以忽略不计，但也会降低代码的可读性，因此，让我们来解决这个问题：

sales = data["data"]["sales"]

接下来，与在范围内（0，len_sales）为i循环

：

仅用于

sales[i]

，相比，仅循环

sales

，速度更快，可读性更强：

for sale in sales:
    total_p += float(sale["price"])

现在我们可以将这个循环转化为一种理解，它的效率稍微高一点（尽管添加一个生成器的成本部分抵消了这一点，您可能真的想要测试这个生成器）：

…并将其直接传递给

sum

：

total_p = sum(float(sale["price"]) for sale in sales)

我们还可以使用Python附带的函数，而不是手动执行：

average = statistics.mean(float(sale["price"]) for sale in sales)

…除了您显然在使用Python2之外，所以您需要安装脱离PyPI的（官方的后端口仅可追溯到3.1；2.x版本已被放弃），所以让我们跳过这一部分

总而言之：

sales = data["data"]["sales"]
total = sum(float(sale["price"]) for sale in sales)
average = total / len(sales)

---

有几件事可能会有所帮助，如果这很重要，您肯定会希望使用

timeit

进行测试：

您可以使用获取

价格

项目。这意味着您的表达式现在只链接两个函数调用，这意味着您可以链接两个

map

调用：

total = sum(map(float, map(operator.itemgetter("price"), sales)))

对于不是来自Lisp背景的人来说，这可能比理解更难理解，但这肯定不可怕，而且可能会快一点

---

或者，对于中等规模的输入，构建临时列表有时是值得的。当然，您会浪费时间分配内存和复制数据，但是迭代列表要比迭代生成器快，所以真正确定的唯一方法是测试

---

还有一件事可能会有所不同，那就是将整个过程转化为一个函数。顶层的代码没有局部变量，只有全局变量，而且它们的查找速度较慢

如果您真的需要挤出最后几个百分点，有时甚至值得将全局函数和内置函数（如

float

）复制到局部函数中。当然，这对

map

（因为我们只访问了它们一次）没有帮助，但如果理解了这一点，可能会有帮助，因此我将演示如何执行：

def total_price(sales):
    _float = float
    pricegetter = operator.itemgetter("price")
    return sum(map(_float, map(pricegetter, sales)))

---

对代码进行基准测试的最佳方法是使用模块，或者，如果您使用的是IPython，则使用

%timeit

magic。其工作原理如下：

In [3]: %%timeit
... total_p = 0 
... for i in range(0,len_sales):
...     total_p += float(data["data"]["sales"][i]["price"])
10000 loops, best of 3: 28.4 µs per loop
In [4]: %timeit sum(float(sale["price"]) for sale in sales)
10000 loops, best of 3: 18.4 µs per loop
In [5]: %timeit sum(map(float, map(operator.itemgetter("price"), sales)))
100000 loops, best of 3: 16.9 µs per loop
In [6]: %timeit sum([float(sale["price"]) for sale in sales])
100000 loops, best of 3: 18.2 µs per loop
In [7]: %timeit total_price(sales)
100000 loops, best of 3: 17.2 µs per loop

因此，在我的笔记本电脑上，使用您的示例数据：

• 直接在

  sales

  上循环并使用生成器表达式而不是语句大约快35%
• 使用列表理解而不是genexpr比这快约1%
• 使用

  map

  和

  itemgetter

  代替genexpr大约快10%
• 将其包装在函数中并缓存局部变量会使速度稍慢一些。（正如上面提到的，这并不奇怪，由于

  map

  ，我们只对每个名称进行了一次查找，所以我们只是增加了一点开销，可能带来了0的好处。）

总的来说，

sum（map（…map（…））

在我的笔记本电脑上是这个特定输入的最快版本

但当然，您需要在真实环境中使用真实输入重复此测试。当差异小到10%时，你不能仅仅假设细节会转移

---

还有一件事：如果您真的需要加快速度，通常最简单的方法是使用完全相同的代码，而不是使用通常的CPython解释器来运行它。重复上述一些测试：

In [4]: %timeit sum(float(sale["price"]) for sale in sales)
680 ns ± 19.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [5]: %timeit sum(map(float, map(operator.itemgetter("price"), sales)))
800 ns ± 24.5 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [6]: %timeit sum([float(sale["price"]) for sale in sales])
694 ns ± 24.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

---

现在生成器表达式版本是最快的，但更重要的是，这三个版本的速度大约是CPython中的20倍。2000%的改进比35%的改进要好得多。

您可以使用一个名为的库，找到销售列表的平均值。要获得销售清单，您可以进行列表理解-

prices = [float(v) for k, v in i.iteritems() for i in data["data"]["sales"] if k == "price"]

这会给你一份价格单。现在，您只需使用上面的库

mean(prices)

或者，你可以这样做-

mean_price = sum(prices) / len(prices)

---

你会得到平均价格。使用列表理解，您已经优化了代码。查看并阅读答案的最后一段

您能发布有效数据吗？非常感谢您的帮助！我真的很感谢你为这个答案投入的时间和细节：）祝你有一个愉快的一天。关于你最近的编辑，你有没有机会编辑这篇文章来展示“最快”的解决方案？谢谢：）太好了！谢谢，太棒了！

mean(prices)

mean_price = sum(prices) / len(prices)