从给定索引数组的Python列表中提取子列表的最快方法

Question

我有任何类型的对象的大型 Python 列表 l，我还有另一个大型列表 i（甚至是 NumPy 数组）指向列表 l 中的某些元素的整数索引。

问题是创建另一个列表l2 的最快（最有效）方法是什么，该列表包含l 的元素，索引来自i。

最简单的方法是做一个列表推导：

l2 = [l[si] for si in i]
# Use np.nditer(i) instead of i, for NumPy array case

但这是最快的方法吗？

列表理解是一个 Python 循环，所以对于大型列表可能会很慢，也许标准库中有一些内置的 Python 方法，用高效的C 编写来完成这个任务？或者NumPy有这样的方法可以通过numpy数组索引Python的列表？

也许标准python库中有一些简单而快速的函数可以对NumPy的np.take做同样的事情，就像下面的假想代码：

import listtools
l2 = listtools.take(l, indexes)

Answer 1

通过使用支持批量查找的operator.itemgetter，您可以获得较小的加速（在下面的示例中约为 25%）：

>>> import string
>>> import random
>>> import operator as op
>>> from timeit import timeit

# create random lists
>>> l = [random.choice([*string.ascii_letters,*range(100)]) for _ in range(1000000)]
>>> i = [random.randint(0,999999) for _ in range(300000)]

# timings
>>> timeit(lambda:[l[si] for si in i],number=100)
3.0997245000035036
>>> timeit(lambda:list(map(l.__getitem__,i)),number=100)
2.892384369013598
>>> timeit(lambda:list(op.itemgetter(*i)(l)),number=100)
2.1787672539940104

Answer 2

已知NumPy数组也可以通过dtype = np.object_来存储和处理任意Python对象。

所以我决定测量 NumPy 与普通 python 相比的使用速度。另外，正如我在问题中提到的，我还想解决索引是 numpy 整数数组的情况。

接下来的代码测量不同的情况，我们是否需要将源列表转换为 numpy 数组以及是否也应该转换结果。

Try it online!

import string
from timeit import timeit
import numpy as np
np.random.seed(0)

letters = np.array(list(string.ascii_letters), dtype = np.object_)
nl = letters[np.random.randint(0, len(letters), size = (10 ** 6,))]
l = nl.tolist()
ni = np.random.permutation(np.arange(nl.size, dtype = np.int64))
i = ni.tolist()

pyt = timeit(lambda: [l[si] for si in i], number = 10)
print('python:', round(pyt, 3), flush = True)

for l_from_list in [True, False]:
    for i_from_list in [True, False]:
        for l_to_list in [True, False]:
            def Do():
                cl = np.array(l, dtype = np.object_) if l_from_list else nl
                ci = np.array(i, dtype = np.int64) if i_from_list else ni
                res = cl[ci]
                res = res.tolist() if l_to_list else res
                return res
            ct = timeit(lambda: Do(), number = 10)
            print(
                'numpy:', 'l_from_list', l_from_list, 'i_from_list', i_from_list, 'l_to_list', l_to_list,
                'time', round(ct, 3), 'speedup', round(pyt / ct, 2), flush = True
            )

输出：

python: 2.279
numpy: l_from_list True  i_from_list True  l_to_list True  time 2.924 speedup 0.78
numpy: l_from_list True  i_from_list True  l_to_list False time 2.805 speedup 0.81
numpy: l_from_list True  i_from_list False l_to_list True  time 1.457 speedup 1.56
numpy: l_from_list True  i_from_list False l_to_list False time 1.312 speedup 1.74
numpy: l_from_list False i_from_list True  l_to_list True  time 2.352 speedup 0.97
numpy: l_from_list False i_from_list True  l_to_list False time 2.209 speedup 1.03
numpy: l_from_list False i_from_list False l_to_list True  time 0.894 speedup 2.55
numpy: l_from_list False i_from_list False l_to_list False time 0.75  speedup 3.04

所以我们可以看到，如果我们将所有列表存储为 numpy 数组，那么我们将获得 3x 加速！但是，如果只有索引是一个 numpy 数组，那么我们的加速比只有 1.56x，这也非常好。在所有内容都必须从列表中来回转换的情况下，我们获得了0.78x 的加速，这意味着我们减慢了速度，因此如果我们只使用列表而不是通过 numpy 进行索引是没有帮助的。