Python 计算列表平均值的最快方法

我想找到计算python

list

s平均值的最快方法。我有数以百万计的

列表

存储在

字典

中，因此我正在寻找性能方面最有效的方法

指， 如果

l

是一个浮点数列表，则

• numpy.平均值（l）

• sum（l）/float（len（l））

• reduce（λx，y:x+y，l）/len（l）

哪条路最快？

下午好， 我只是用一个列表中的10个随机浮点数做了一个测试，然后运行了一个时间测试，发现numpy是最快的

#!/usr/bin/python

import numpy as np
from functools import reduce
import time

l = [0.1, 2.3, 23.345, 0.9012, .002815, 8.2, 13.9, 0.4, 3.02, 10.1]

def test1():
    return np.mean(l)

def test2():
    return sum(l) / float(len(l))

def test3():
    return reduce(lambda x, y: x + y, l) / len(l)

def timed():
    start = time.time()
    test1()
    print('{} seconds'.format(time.time() - start))
    start = time.time()
    test2()
    print('{} seconds'.format(time.time() - start))
    start = time.time()
    test3()
    print('{} seconds'.format(time.time() - start))

timed()

像往常一样，我确信有更好的方法来做到这一点，但这确实奏效了。

---

这是一个小列表：看看你在大列表中发现了什么会很有趣。

正如@DeepSpace所建议的，你应该试着回答这个问题。您也可以考虑在使用<代码> NoPy.Medie<代码>之前将列表转换为数组。将

%timeit

与

ipython

一起使用，如下所示：

In [1]: import random
In [2]: import numpy
In [3]: from functools import reduce
In [4]: l = random.sample(range(0, 100), 50) # generates a random list of 50 elements

numpy.mean

不转换为np.array

numpy.mean

转换为np.array

sum（l）/float（len（l））

sum（l）/len（l）

reduce

从最慢到最快：

numpy.mean（l）

不转换为数组

numpy.mean（a）

将列表转换为

np.array后

reduce（λx，y:x+y，l）/len（l）

sum（l）/float（len（l））

，这适用于Python 2和Python 3

sum（l）/len（l）

#对于Python 3，您不需要强制转换（使用

float

）

---

<代码>哪种方式最快？< /代码>为什么不测试并让我们知道？公平地说，如果你考虑使用<代码> NoMPy < /C> >，你可能已经将这些值存储在一个数组中，而不是一个列表中。使用

a=numpy.array（l）

，

numpy.mean（a）

的速度是

numpy.mean（l）

的两倍。我也没有试过更长的时间来观察每一个变量的大小。@chepner，我同意你的看法。我将把它添加到我的答案中。@chepner，我更新了我的答案，我同意你的说法，在转换为数组后，它的速度是不转换的两倍。

In [5]: %timeit numpy.mean(l)
32.5 µs ± 2.82 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [5]: a = numpy.array(a)
In [6]: %timeit numpy.mean(a)
17.6 µs ± 205 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [5]: %timeit sum(l) / float(len(l)) # not required casting (float) in Python 3
774 ns ± 20.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [5]: %timeit sum(l) / len(l)
623 ns ± 27.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [6]: reduce(lambda x, y: x + y, l) / len(l)
5.92 µs ± 514 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)