一行中两个列表中int之间的平均差异-Python

有两个非空列表，仅包含整数，它们的长度相同

我们的函数需要返回相同索引的整数之间的平均绝对差值。
例如，对于列表

[1,2,3,4]

和

[1,1,1,1]

，答案将是

1.5

该功能需要在一行中完成

我有一个小东西可以做到这一点，但正如你可能猜到的，它不是一行：

def avg_diff(a, b):
    sd = 0.0
    for x, y in zip(a, b):
        sd += abs(x - y)
    return sd / len(a)

---

谢谢。

使用列表中的内置

sum

和

len

函数：

a = [1, 2, 3, 4]
b = [1, 1, 1, 1]

sum([abs(i - j) for i, j in zip(a,b)]) / float(len(a))

lst1 = [1, 2, 3, 4]
lst2 = [1, 1, 1, 1]
diff = [abs(x-y) for x, y in zip(lst1, lst2)]  # find index-wise differences
print(sum(diff)/len(diff))    # divide sum of differences by total
# 1.5

---

使用列表中的内置

sum

和

len

函数：

lst1 = [1, 2, 3, 4]
lst2 = [1, 1, 1, 1]
diff = [abs(x-y) for x, y in zip(lst1, lst2)]  # find index-wise differences
print(sum(diff)/len(diff))    # divide sum of differences by total
# 1.5

在Python3.4中，我们在标准库中获得了一些，包括

使用此函数和生成器表达式：

from statistics import mean

a = [1, 2, 3, 4]
b =  [1, 1, 1, 1]

mean(abs(x - y) for x, y in zip(a, b))
# 1.5

在Python3.4中，我们在标准库中获得了一些，包括

使用此函数和生成器表达式：

from statistics import mean

a = [1, 2, 3, 4]
b =  [1, 1, 1, 1]

mean(abs(x - y) for x, y in zip(a, b))
# 1.5

---

如果您愿意使用第三方库，

numpy

提供了一种方法：

import numpy as np

A = np.array([1, 2, 3, 4])
B = np.array([1, 1, 1, 1])

res = np.mean(np.abs(A - B))
# 1.5

---

如果您愿意使用第三方库，

numpy

提供了一种方法：

import numpy as np

A = np.array([1, 2, 3, 4])
B = np.array([1, 1, 1, 1])

res = np.mean(np.abs(A - B))
# 1.5

---

提示，使用：lambda你喜欢使用第三方库吗（例如

numpy

？）我想你的答案可以在这篇文章中找到：提示，使用：lambda你喜欢使用第三方库吗（例如

numpy

？）我想你的答案可以在这篇文章中找到：你不需要做列表，只需使用一个生成器表达式：

sum（i-j代表i，j在zip（a，b））/len（a）

我知道他使用它的确切原因：）谢谢Shahaf和所有人，我完全忘记了sum的存在。@Guy，这是为什么？因为我不需要。你不需要理解列表，只要使用一个生成器表达式：

sum（I-j代表I，j在zip（a，b））/len（a）

我知道他为什么使用它：）谢谢沙哈夫和所有人，我完全忘记了sum的存在。@Guy，这是为什么？因为我不喜欢。我讨厌统计模块。如果你看一下代码，它非常复杂，并且有一个非常奇怪的要求，即结果的精度等于输入的精度，这是我们在统计学中很少关心的<代码>从统计导入平均值作为统计平均值--定义py_平均值（x）：返回和（x）/len（x）--

%timeit统计平均值（x）#137 ms±1.63 ms/循环（平均值±标准偏差7次，每个循环10次）

-

%timeit py_平均值（x）359µs±4.44µs/循环（平均值±标准偏差7次，每个循环1000次）

@FHTMitchell我承认我也没有正常使用它，因为我通常使用

numpy.array

s。我只知道它是存在的，它确实是一个很好的单线解决方案，正如OP所要求的那样。我猜它支持

十进制

和

分数

的价格是非常复杂的实现，与直接的实现相比，速度要快得多。是的，同样，我只是认为这是stdlib试图包含目前由第三方完成的事情，但不知何故却做得更糟的另一个例子——请参见

attrs

和

dataclasses

。参考

%timeit np_平均值（x）#2.31 ms±41.3µs/循环（平均值±标准偏差为7次运行，每个循环100次）

，但该列表已传递给它。对于阵列：

%timeit np_平均值（y）#63.1µs±1.57µs每个循环（平均值±标准偏差为7次运行，每个循环10000次）

我讨厌统计模块。如果你看一下代码，它非常复杂，并且有一个非常奇怪的要求，即结果的精度等于输入的精度，这是我们在统计学中很少关心的<代码>从统计导入平均值作为统计平均值--定义py_平均值（x）：返回和（x）/len（x）--

%timeit统计平均值（x）#137 ms±1.63 ms/循环（平均值±标准偏差7次，每个循环10次）

-

%timeit py_平均值（x）359µs±4.44µs/循环（平均值±标准偏差7次，每个循环1000次）

@FHTMitchell我承认我也没有正常使用它，因为我通常使用

numpy.array

s。我只知道它是存在的，它确实是一个很好的单线解决方案，正如OP所要求的那样。我猜它支持

十进制

和

分数

的价格是非常复杂的实现，与直接的实现相比，速度要快得多。是的，同样，我只是认为这是stdlib试图包含目前由第三方完成的事情，但不知何故却做得更糟的另一个例子——请参见

attrs

和

dataclasses

。参考

%timeit np_平均值（x）#2.31 ms±41.3µs/循环（平均值±标准偏差为7次运行，每个循环100次）

，但该列表已传递给它。对于阵列：

%timeit np#u平均值（y）#63.1µs±1.57µs/循环（平均值±标准偏差为7次运行，每个循环10000次）