这段代码在 Python 里能怎么改写成效率更高的吗，听说 for 循环比较慢

[zxCoder]

    xs = []
    ys = []
    zs = []
    for data in ls:
        _x, _y, _z = data
        xs.append(_x)
        ys.append(_y)
        zs.append(_z)

[fuis]

用 numpy

xs = ls[:,0]
ys = ls[:,1]
zs = ls[:,2]

[fuis]

ls = numpy.array(ls)

[ChrisFreeMan]

等待 python3.11 版本，听说有一倍速度的提升🐶

[zxCoder]

@fuis 不是数字呃，numpy 能处理非数字吗

[vcfghtyjc]

不太清楚具体需求，也许可以让 xs，ys，zs 变成迭代器而不是 list ？

[unifier]

不考虑数组转 np array 的这个开销的话，1 楼的 numpy 确实非常快：

Using numpy: 0.00000000s
Using append: 0.36167359s


加上转 np 的开销嘛，就不一样了：

Using numpy: 1.69339228s
Using append: 0.37969041s


其实 append 还是挺快的，比非常 Pythonic 的*zip 的方法要快挺多了：
Using *zip: 1.30143762s
Using append: 0.39510083s


参考：
https://stackoverflow.com/questions/8081545/how-to-convert-list-of-tuples-to-multiple-lists

[catbaron]

zip 怎么样

[fatestigma]

for 循环不知道怎么去掉，但是有一个提速的方法，list 初始化的时候带上长度
xs = [None] * len(data)
对于比较大的 list，可以快那么几十毫秒。。

[ch2]

用列表推导
xs=[data[0] for data in ls]
ys=[data[1] for data in ls]
zs=[data[2] for data in ls]

[ch2]

用 map 运算
xs = map(lambda data: data[0], ls)
ys = map(lambda data: data[1], ls)
zs = map(lambda data: data[2], ls)

[guoqiao]

@ch2 你这把一个循环变成了三个， 应该只会更慢吧

[WhoMercy]

O(n)了还优化个啥

[fancy967]

不知道怎么优化，不过代码可以精简一下
for _x, _y, _z in ls:
xs.append(_x)
ys.append(_y)
zs.append(_z)

[dangyuluo]

C++程序员的思路：预先分配下内存防止移动？

[cyrbuzz]

你要全部遍历一遍，这个算法已经 O(n)，除了直接提速 for 和 append，可以用另外一种思路，就是看你的 xs,ys,zs 的用处，用 yield 把它改成生成器，类似 python2 里 range 到 xrange 的改变。

如果 ls 不变，进一步的优化可以加缓存，用 JSON 存到本地，第二次直接读取 JSON，虽然本身并没有优化到算法。

[MintZX]

@zacharyjia 因为这个操作在 numpy 里面是 constant 的。。通过数据结构实现的。这也就是为什么你把 list 转成 np 的时间非常高的原因。当然了，你也可以试试看把处理好的 xs ys zs 再转成 list，还是很费时间。

np 本身的 dataframe 非常复杂也非常大

[niubee1]

其实是一个 90 度旋转二维数组的过程，用 Python 的内置函数实现应该会更快，因为毕竟底层是 C 。
可以先 rotated = list(zip(*ls[::])) 旋转一下二维数组，再 xs.extend(rotated) .

跑起来大概提高了一倍的速度

https://imgur.com/e602lpH

[NoAnyLove]

@guoqiao Python 的优化就是有些反常识，3 个循环不一定比 1 个循环慢，具体还是看解释器怎么跑
@dangyuluo 预分配内存在 Python 优化中通常效果不佳，因为通常不是主要因素

如果 ls 足够长的话，比如 ls=[[i, i+1, i+2] for i in range(1, 98, 3)]，那么这个版本可能更快一些，

flat = list(itertools.chain.from_iterable(ls))
xs = flat[::3]
ys = flat[1::3]
zs = flat[2::3]

[niubee1]

[NoAnyLove]

好吧，#17 我服了

[niubee1]

@NoAnyLove 我测了一下，zip 稍快一些

[niubee1]

blob:https://imgur.com/0782fae0-e12e-46fe-a6ea-0db5e1e39c72

[niubee1]

[NoAnyLove]

@niubee1 同意，你的版本更快，

In [101]: def t1(ls):
...: flat = list(itertools.chain.from_iterable(ls))
...: xs = flat[::3]
...: ys = flat[1::3]
...: zs = flat[2::3]
...: return xs, ys, zs
...:

In [102]: def t2(ls):
...: xs, ys, zs =list(zip(*ls))
...: return list(xs), list(ys), list(zs)

In [113]: ls=[[i, i+1, i+2] for i in range(1, 98, 3)]

In [114]: %timeit t1(ls)
4.26 µs ± 17.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [115]: %timeit t2(ls)
3.2 µs ± 19.1 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

[niubee1]

其实省掉 extend 过程，直接返回数组的话，还能再提高点性能

[niubee1]

@NoAnyLove 🤝 其实大家思路都差不多，python 要提高效率的话，应该尽可能的使用内置函数

[NoAnyLove]

@niubee1 对，就是这个道理，内置函数底层执行更快 🤝

[shyrock]

@niubee1 #19 学习了。

[wuwukai007]

#19 楼 一行代码开启新世界

[princelai]

```python
def func4(ls):
xs = list(islice(chain.from_iterable(ls), 0, None, 3))
ys = list(islice(chain.from_iterable(ls), 1, None, 3))
zs = list(islice(chain.from_iterable(ls), 2, None, 3))


def func5(ls):
xs = list(compress(chain.from_iterable(ls), cycle([1, 0, 0])))
ys = list(compress(chain.from_iterable(ls), cycle([0, 1, 0])))
zs = list(compress(chain.from_iterable(ls), cycle([0, 0, 1])))
```
itertools 里的内置函数速度都还可以

[rationa1cuzz]

@niubee1 ls[::] 是干嘛？我怎么看不懂啊，求教，另外为什么我测的是列表推导式更快一点，数量级越大越明显

[rationa1cuzz]

@niubee1 另外，只有在 data=[(x,y,z),(x2,y2,z2,...)] 为元祖 zip 才会有明显速度优势,
data[(x,y,z),(x2,y2,z2,...)] range(100000)
for： spend_time:0.03163599967956543
列表推导式：spend_time:0.012620925903320312
zip： spend_time:0.0060007572174072266

data[(x,y,z),(x2,y2,z2,...)] range(100000)
for： spend_time:0.03195595741271973
列表推导式：spend_time:0.012039899826049805
zip： spend_time:0.016546964645385742

[htaoreg]

xs, ys, zs = zip(*ls)