我有一个我想要规范化的向量列表（在Python中），同时删除最初具有小规范的向量。
输入列表例如是
a = [(1,1),(1,2),(2,2),(3,4)]
我需要输出(x*n, y*n)与n = (x**2+y**2)**-0.5
例如，如果我只需要规范，那么列表理解就很容易：
an = [ (x**2+y**2)**0.5 for x,y in a ]
例如，也可以很容易地存储一个标准化的x，但我想要的是将这个临时变量“n”用于两次计算，然后扔掉它。
我也不能只使用lambda函数，因为我还需要n来过滤列表。那么最好的方法是什么？
现在我在这里使用这个嵌套列表理解（在内部列表中有一个表达式）：
a = [(1,1),(1,2),(2,2),(3,4)]
[(x*n,y*n) for (n,x,y) in (( (x**2.+y**2.)**-0.5 ,x,y) for x,y in a) if n < 0.4]
# Out[14]:
# [(0.70710678118654757, 0.70710678118654757),
# (0.60000000000000009, 0.80000000000000004)]
内部列表生成带有额外值（n）的元组，然后我将这些值用于计算和过滤。这真的是最好的方式吗？我应该注意哪些可怕的低效率？
Is this really the best way?
嗯，它确实有效，如果你真的，真的想写oneliners那么它是你能做的最好的。
另一方面，简单的4行函数可以更清晰地做到：
def normfilter(vecs, min_norm):
for x,y in vecs:
n = (x**2.+y**2.)**-0.5
if min_norm < n:
yield (x*n,y*n)
normalized = list(normfilter(vectors, 0.4))
顺便说一句，你的代码或描述中有一个错误 - 你说你过滤掉了短向量，但你的代码反其道而行之：p
这表明使用forloop可能是最快的方式。请务必检查您自己机器上的timeit结果，因为这些结果可能会因许多因素（硬件，操作系统，Python版本，a的长度等）而有所不同。
a = [(1,1),(1,2),(2,2),(3,4)]
def two_lcs(a):
an = [ ((x**2+y**2)**0.5, x,y) for x,y in a ]
an = [ (x*n,y*n) for n,x,y in an if n < 0.4 ]
return an
def using_forloop(a):
result=[]
for x,y in a:
n=(x**2+y**2)**0.5
if n<0.4:
result.append((x*n,y*n))
return result
def using_lc(a):
return [(x*n,y*n)
for (n,x,y) in (( (x**2.+y**2.)**-0.5 ,x,y) for x,y in a) if n < 0.4]
产生这些时间结果：
% python -mtimeit -s'import test' 'test.using_forloop(test.a)'
100000 loops, best of 3: 3.29 usec per loop
% python -mtimeit -s'import test' 'test.two_lcs(test.a)'
100000 loops, best of 3: 4.52 usec per loop
% python -mtimeit -s'import test' 'test.using_lc(test.a)'
100000 loops, best of 3: 6.97 usec per loop
从unutbu窃取代码，这是一个更大的测试，包括numpy版本和迭代器版本。请注意，将列表转换为numpy可能需要一些时间。
import numpy
# a = [(1,1),(1,2),(2,2),(3,4)]
a=[]
for k in range(1,10):
for j in range(1,10):
a.append( (float(k),float(j)) )
npa = numpy.array(a)
def two_lcs(a):
an = [ ((x**2+y**2)**-0.5, x,y) for x,y in a ]
an = [ (x*n,y*n) for n,x,y in an if n < 5.0 ]
return an
def using_iterator(a):
def normfilter(vecs, min_norm):
for x,y in vecs:
n = (x**2.+y**2.)**-0.5
if n < min_norm:
yield (x*n,y*n)
return list(normfilter(a, 5.0))
def using_forloop(a):
result=[]
for x,y in a:
n=(x**2+y**2)**-0.5
if n<5.0:
result.append((x*n,y*n))
return result
def using_lc(a):
return [(x*n,y*n)
for (n,x,y) in (( (x**2.+y**2.)**-0.5 ,x,y) for x,y in a) if n < 5.0]
def using_numpy(npa):
n = (npa[:,0]**2+npa[:,1]**2)**-0.5
where = n<5.0
npa = npa[where]
n = n[where]
npa[:,0]=npa[:,0]*n
npa[:,1]=npa[:,1]*n
return( npa )
结果......
nlw@pathfinder:~$ python -mtimeit -s'import test' 'test.two_lcs(test.a)'
10000 loops, best of 3: 65.8 usec per loop
nlw@pathfinder:~$ python -mtimeit -s'import test' 'test.using_lc(test.a)'
10000 loops, best of 3: 65.6 usec per loop
nlw@pathfinder:~$ python -mtimeit -s'import test' 'test.using_forloop(test.a)'
10000 loops, best of 3: 64.1 usec per loop
nlw@pathfinder:~$ python -mtimeit -s'import test' 'test.using_iterator(test.a)'
10000 loops, best of 3: 59.6 usec per loop
nlw@pathfinder:~$ python -mtimeit -s'import test' 'test.using_numpy(test.npa)'
10000 loops, best of 3: 48.7 usec per loop
启动Python 3.8，并引入assignment expressions (PEP 572)（:=运算符），可以在列表推导中使用局部变量，以避免多次调用相同的表达式：
在我们的例子中，我们可以将(x**2.+y**2.)**-.5的评估命名为变量n，同时使用表达式的结果过滤列表，如果n低于0.4;然后重新使用n来产生映射值：
# vectors = [(1, 1), (1, 2), (2, 2), (3, 4)]
[(x*n, y*n) for x, y in vectors if (n := (x**2.+y**2.)**-.5) < .4]
# [(0.7071067811865476, 0.7071067811865476), (0.6000000000000001, 0.8)]