Sie können das Ergebnis verwenden itertools.tee
und zip
effizient erstellen:
from itertools import tee
# python2 only:
#from itertools import izip as zip
def differences(seq):
iterable, copied = tee(seq)
next(copied)
for x, y in zip(iterable, copied):
yield y - x
Oder verwenden Sie itertools.islice
stattdessen:
from itertools import islice
def differences(seq):
nexts = islice(seq, 1, None)
for x, y in zip(seq, nexts):
yield y - x
Sie können die Verwendung des itertools
Moduls auch vermeiden :
def differences(seq):
iterable = iter(seq)
prev = next(iterable)
for element in iterable:
yield element - prev
prev = element
Alle diese Lösungen funktionieren auf konstantem Raum, wenn Sie nicht alle Ergebnisse speichern und unendlich viele Iterables unterstützen müssen.
Hier sind einige Mikro-Benchmarks der Lösungen:
In [12]: L = range(10**6)
In [13]: from collections import deque
In [15]: %timeit deque(differences_tee(L), maxlen=0)
10 loops, best of 3: 122 ms per loop
In [16]: %timeit deque(differences_islice(L), maxlen=0)
10 loops, best of 3: 127 ms per loop
In [17]: %timeit deque(differences_no_it(L), maxlen=0)
10 loops, best of 3: 89.9 ms per loop
Und die anderen vorgeschlagenen Lösungen:
In [18]: %timeit [x[1] - x[0] for x in zip(L[1:], L)]
10 loops, best of 3: 163 ms per loop
In [19]: %timeit [L[i+1]-L[i] for i in range(len(L)-1)]
1 loops, best of 3: 395 ms per loop
In [20]: import numpy as np
In [21]: %timeit np.diff(L)
1 loops, best of 3: 479 ms per loop
In [35]: %%timeit
...: res = []
...: for i in range(len(L) - 1):
...: res.append(L[i+1] - L[i])
...:
1 loops, best of 3: 234 ms per loop
Beachten Sie, dass:
zip(L[1:], L)
ist gleichbedeutend mit, zip(L[1:], L[:-1])
da zip
bereits bei der kürzesten Eingabe beendet wird, jedoch wird eine ganze Kopie von vermieden L
.
- Der Zugriff auf die einzelnen Elemente über den Index ist sehr langsam, da jeder Indexzugriff ein Methodenaufruf in Python ist
numpy.diff
ist langsam, weil es zuerst das list
in a konvertieren muss ndarray
. Natürlich , wenn Sie beginnen mit einem ndarray
wird es viel schneller:
In [22]: arr = np.array(L)
In [23]: %timeit np.diff(arr)
100 loops, best of 3: 3.02 ms per loop
[abs(j-i) for i,j in zip(t, t[1:])]