求二维和的最简单方法？（Python）

我需要两个维度求和的帮助

假设我有[[0,1,2]，[3,4,5]]作为维度，将这些数字相加将返回int 15

   def sum_dimensions(x):
       x = []
       answer = sum(x)
       return int(x)

---

指出我在代码中的错误非常感谢。

这就是您要寻找的：

data = [[0,1,2],[3,4,5]]
sum([sum([item for item in ele]) for ele in data])
15

正如@filmor所指出的，这可以简化为：

data = [[0,1,2],[3,4,5]]
sum([sum(ele) for ele in data])
15

至于您的代码，如果您将

[[0,1,2]，[3,4,5]]

作为

x

传递给函数：

answer = sum(x)

将抛出一个

TypeError

。以下

return int(x)

也没有道理。使代码正常工作的方法是：

def sum_dimensions(x):
   answer = sum(x)
   return answer

data = [[0,1,2],[3,4,5]]
total_sum = 0
for sub_list in data:
    total_sum += sum_dimensions(sub_list)

这是Python，不是C

ar = [[0,1,2],[3,4,5]]
result = sum ( [sum(block) for block in ar] )

---

如果你在做其他线性代数，可能值得考虑

numpy

：

import numpy as np

x = np.array( [[0,1,2],[3,4,5]] )
print np.sum(x)

试试这个

>>>sum([sum(i) for i in [[0,1,2],[3,4,5]]])

输出：

15

---

让我们来讨论一下。我在我的机器上使用了以下数据集：

data = list(list(range(100000)) for i in range(1000))

我有以下结果：

In [13]: %%timeit                                             
sum(sum(ele) for ele in data)
   ....: 
1 loops, best of 3: 1.15 s per loop

In [14]: %%timeit                                             
sum([sum([item for item in ele]) for ele in data])
   ....: 
1 loops, best of 3: 3.78 s per loop


In [15]: %%timeit                                             
sum(j for i in data for j in i)
   ....: 
1 loops, best of 3: 4.92 s per loop

In [16]: %%timeit                                             
sum(itertools.chain.from_iterable(data))
   ....: 
1 loops, best of 3: 1.61 s per loop

In [18]: %%timeit
sum(map(sum, data))
   ....: 
1 loops, best of 3: 1.16 s per loop

然而，对于小数据集，

itertools

变量比

sum（sum

变量）快2倍。

sum（map（sum

似乎正好映射到

sum（sum（ele）for ele in data）

构造您可以尝试以下方法：

>>> l = [[0,1,2],[3,4,5]]
>>> 
>>> sum(a for v in l for a in v)
15

可以使用，也可以使用：

---

sum（[item for item in ele]）

可以写成

sum（ele）

。或者

sum（j代表i，数据中的j代表i）

更好，是：）这将在大型阵列上消耗额外的资源。当性能可能成为一个问题时，你应该寻找方法用调用

math

和

itertools

来替换Python循环。具体是什么？M4rtini的解决方案？我更喜欢不使用Numpy。忘了提了！这是关于过早优化的吗？嘿，我想是生成器的总和pression会比这更有效。很高兴知道！@Hyperboreus No。但是这项任务非常简单，并且允许具有相同代码复杂度的多个解决方案。因此，值得研究它们之间的比较，不是吗？例如，有趣的是，看到i结构中的j的数据中的i的

j执行得有多糟糕，我没有预料到谢谢你的回复。
a = [[0,1,2],[3,4,5]]
sum(map(sum, a)) #15