使用Python列表理解计算列表中的正整数元素

我有一个整数列表，需要计算其中有多少大于0。
我目前正在做一个列表理解，如下所示：

sum([1 for x in frequencies if x > 0])

这似乎是一个不错的理解，但我真的不喜欢“1”；这似乎有点像一个神奇的数字。有没有更像蟒蛇的方法

您可以在筛选列表上使用

len（）

：

len([x for x in frequencies if x > 0])

---

一种稍微更具python风格的方法是使用生成器：

sum(1 for x in frequencies if x > 0)

---

这样可以避免在调用

sum（）

之前生成整个列表。如果要减少内存量，可以使用生成器避免生成临时列表：

sum(x > 0 for x in frequencies)

这是因为

bool

是

int

的子类：

>>> isinstance(True,int)
True

而

True

的值为1：

>>> True==1
True

然而，正如Joe Golton在评论中指出的，这个解决方案不是很快。如果您有足够的内存来使用中间临时列表，那么可能会更快。以下是比较各种解决方案的一些时间安排：

>>> frequencies = [random.randint(0,2) for i in range(10**5)]

>>> %timeit len([x for x in frequencies if x > 0])   # sth
100 loops, best of 3: 3.93 ms per loop

>>> %timeit sum([1 for x in frequencies if x > 0])
100 loops, best of 3: 4.45 ms per loop

>>> %timeit sum(1 for x in frequencies if x > 0)
100 loops, best of 3: 6.17 ms per loop

>>> %timeit sum(x > 0 for x in frequencies)
100 loops, best of 3: 8.57 ms per loop

请注意，timeit结果可能因Python、操作系统或硬件的版本而异

当然，如果你在一个大的数字列表上做数学，你可能应该使用NumPy：

>>> frequencies = np.random.randint(3, size=10**5)
>>> %timeit (frequencies > 0).sum()
1000 loops, best of 3: 669 us per loop

NumPy数组需要的内存比同等的Python列表少，计算速度比任何纯Python解决方案都快。

这怎么样

reduce（λx，y:x+1，如果y>0，其他x，频率）

编辑： 灵感来自@~unutbu的公认答案：

---

reduce（λx，y:x+（y>0），频率）

这是可行的，但将

bool

s添加为

int

s可能会有危险。请对这段代码持保留态度（首先考虑可维护性）：

---

如果数组只包含>=0的元素（即所有元素都是0或正整数），则可以只计算零并从数组长度中减去该数字：

len(arr) - arr.count(0)

---

我想指出，所有这些都适用于清单。如果我们有一个numpy数组， 有些解决方案的速度至少要快40倍

总结给出的所有解决方案和效率测试，再加上添加一些（必须修改reduce代码才能在Python 3中运行），请注意最后一个答案是用micros，而不是millis：

复制可复制格式的代码：

import random
import functools
frequencies = [random.randint(0,2) for i in range(10**5)]
from collections import Counter
import numpy as np

%timeit len([x for x in frequencies if x > 0])   # sth
%timeit sum([1 for x in frequencies if x > 0])
%timeit sum(1 for x in frequencies if x > 0)
%timeit sum(x > 0 for x in frequencies)
%timeit functools.reduce(lambda x, y: x + (y > 0), frequencies)
%timeit Counter(frequencies)

#'-------Numpy-----------------------')
%timeit ((np.array(frequencies))>0).sum()
npf=np.array(frequencies)
#'-------Numpy without conversion ---')
%timeit (npf>0).sum()

---

---

更好的是，使用生成器（条带[和]），您可以使用过滤器使其看起来更清晰。len（filter（lambda x:x>0，frequencies））@Jonathan：如果你喜欢

filter（）

或列表理解，我会说这是一个品味问题，但通常列表理解比函数式编程更受欢迎。（OP要求提供列表理解。）OP实际上只说他现在正在使用一个（s）合适的列表理解，但没有特别要求。当然，你的主要观点仍然成立。@JonathanSternberg:在Python 3中，这种语法不起作用（你不能对筛选器对象执行

len（）

）。一个变体：[x>0表示x的频率]。count（True）@Peter:注意，你的建议在数据上循环了两次；一次用于构建输出列表，两次用于计算真值。依赖于将布尔计算解释为1是a）可以说是糟糕的做法，而B）要慢得多。+1稍微更具可读性。然而，我发现它需要花费大约52%的时间（我测试的函数大量计算了因子的数量）。所以只用于迭代次数很少的理解（<10000？）。@JoeGolton:谢谢你的评论。事实上，有更快的解决方案，比如sth，或者使用NumPy。我希望我能在投票时得到一个评论，从我的错误中吸取教训。拜托？现在似乎有一种趋势，从lambda函数转向列表理解。我不是那个否决你们的人；然而，我认为人们倾向于对减少、逐步淘汰等（通过圭多公告）表示不满。我喜欢

reduce

，但我也不赞成在这种情况下使用它，因为

sum（x>0…

变量对我来说似乎更简单。+1因为这是一种通常被忽略的理解方式。如果在函数调用中评估列表理解，如果没有任何元素符合条件，则可以忽略

[]

。中断。@FogleBird:空生成器的

sum（）

返回0。你是对的。我被搞糊涂了，想到了

min（）

和

max（）

计数非零元素与计数元素>0是不同的。标题应该相应地修改。我更新了你问题的标题，以便它反映问题的内容。我希望这对您没问题。在Python 2和Python 3中，将布尔值添加为整数是可以保证工作的：

import random
import functools
frequencies = [random.randint(0,2) for i in range(10**5)]
from collections import Counter
import numpy as np

%timeit len([x for x in frequencies if x > 0])   # sth
%timeit sum([1 for x in frequencies if x > 0])
%timeit sum(1 for x in frequencies if x > 0)
%timeit sum(x > 0 for x in frequencies)
%timeit functools.reduce(lambda x, y: x + (y > 0), frequencies)
%timeit Counter(frequencies)

#'-------Numpy-----------------------')
%timeit ((np.array(frequencies))>0).sum()
npf=np.array(frequencies)
#'-------Numpy without conversion ---')
%timeit (npf>0).sum()