使用numpy操作纯python列表

我有几个纯python代码部分，如：

[final_ids.append(list_item[0]) for list_item in newNodesCoord]
for line in nodes:
    if line[0] not in final_ids:
        newNodesCoord.append([line[0], 0., 0., 0.])

for i,row in enumerate(deformedCoord):
    x,y,z,nx,ny=row 
    for j, line in enumerate(nodesL):
        nodeID,x2,y2,z2=line
        if x==x2 and y==y2 and z==z2:
           newNodesCoord.append([nodeID, nx, ny, 0.])

但是，随着列表大小的增加，代码的性能会下降。使用numpy有没有更快的方法？

---

谢谢

NumPy数组不是最好的数据结构。 当您可以在一个漂亮的大数组上调用NumPy函数时，NumPy数组将大放异彩（性能方面）。当您需要逐项或逐行遍历数组时，它们的表现并不特别好，这似乎是您在代码中所做的

---

以下是一些其他建议：

线路

line[0] not in final_ids:

可以通过将

最终\u id

设置为

集合而不是
列表来加快速度。
，而测试列表中的成员身份是
O（n）


同样，将
nodesL
a
dict
映射
（x，y，z）
到
nodeID
值。然后你可以使用：

for x, y, z, nx, ny in deformedCoord:
    if (x,y,z) in nodesL:
        nodeID = nodesL[x,y,z]
        newNodesCoord.append([nodeID, nx, ny, 0.])  

如果对于每个
（x，y，z）
有多个
节点ID
添加：

for nid in nodeID:
    newNodesCoord.append([nid, nx, ny, 0.])

或

循环的双精度
具有时间复杂性
O（n*m）
其中
n=len（deformedCoord）
和
m=len（nodesL）
。如果将
nodesL
a
dict
，那么
If（x，y，z）in nodesL
是
O（1）
，因此上面的循环在
O（n）
时间内运行。
NumPy数组不是最好的数据结构。
当您可以在一个漂亮的大数组上调用NumPy函数时，NumPy数组将大放异彩（性能方面）。当您需要逐项或逐行遍历数组时，它们的表现并不特别好，这似乎是您在代码中所做的


以下是一些其他建议：

线路

line[0] not in final_ids:

可以通过将
最终\u id
设置为
集合而不是
列表来加快速度。
，而测试列表中的成员身份是
O（n）


同样，将
nodesL
a
dict
映射
（x，y，z）
到
nodeID
值。然后你可以使用：

for x, y, z, nx, ny in deformedCoord:
    if (x,y,z) in nodesL:
        nodeID = nodesL[x,y,z]
        newNodesCoord.append([nodeID, nx, ny, 0.])  

如果对于每个
（x，y，z）
有多个
节点ID
添加：

for nid in nodeID:
    newNodesCoord.append([nid, nx, ny, 0.])

或

循环的双精度
具有时间复杂性
O（n*m）
其中
n=len（deformedCoord）
和
m=len（nodesL）
。如果将
nodesL
a
dict
，那么
If（x，y，z）in nodesL
是
O（1）
，因此上面的循环在
O（n）
时间内运行。
是的。我不认为numpy数组逐项迭代实际上比列表迭代慢（虽然可能慢，但我从来没有计时过），但是另外，如果需要动态添加元素（即更改大小），numpy数组也不是很好。不是迭代本身让它慢，它是在循环中使用的Python代码（例如逐项操作每个值），这使得循环速度变慢。当人们编写这样的代码时，就不会利用NumPy的快速底层C/Fortran函数。这就是导致逐项/逐行代码变慢的原因。至少在我的经验中，每次我计时时，这样使用的NumPy数组都比普通Python代码慢。@jpcgandre:我更改了您的编辑，因为在可能的情况下，nodeID中nid的
优先于xrange（0，len（nodeID））
中的I。它可读性更高，编写时间更短，并且避免了较慢的
nodeID[i]
，有利于
nid
。是的。我不认为numpy数组逐项迭代实际上比列表迭代慢（虽然可能慢，但我从来没有计时过），但是另外，如果需要动态添加元素（即更改大小），numpy数组也不是很好。不是迭代本身让它慢，它是在循环中使用的Python代码（例如逐项操作每个值），这使得循环速度变慢。当人们编写这样的代码时，就不会利用NumPy的快速底层C/Fortran函数。这就是导致逐项/逐行代码变慢的原因。至少在我的经验中，每次我计时时，这样使用的NumPy数组都比普通Python代码慢。@jpcgandre:我更改了您的编辑，因为在可能的情况下，nodeID中nid的
优先于xrange（0，len（nodeID））
中的I。它可读性更高，编写时间更短，并且避免了较慢的
nodeID[i]
，有利于
nid
。