我有大量（数千）字：值（浮点）对。我需要找到最好的值并提取相应的关联词。例如，我有 (a,2.4),(b,5.2),(c,1.2),(d,9.2),(e,6.3),(f,0.4)。我想要 (d,9.2) 作为输出。
目前，我正在使用字典来存储这些元组，并使用 max 运算符来检索字典中的最大键值。我想知道一个 numpy 数组是否会更有效。在这里征求专家意见。
【问题讨论】：
标签： python performance dictionary numpy max
在这种情况下，我看不出 numpy 数组对您有何帮助。
特别是，将数据结构转换为另一个数据结构（在您的情况下是 numpy 数组或 heapq 中的元组列表）将比找到迭代每个元组的最大值慢得多）。这是因为转换数据结构还需要迭代原始结构，加上为新结构实例化一个对象，加上将值存储到新结构中，再加上使用新结构来获取请求的值。
使用列表的内置函数或方法很可能会加快计算速度。我能想到的最简单的实现：
>>> li = [('a', 10), ('b', 30), ('c', 20)]
>>> max(li, key=lambda e : e[1])[0]
'b'
如果您也对诸如最低值或从列表中弹出您找到的值可以通过排序（因此您只检查一次原始列表！）等内容感兴趣，其他可能的方法：
>>> li = [('a', 10), ('b', 30), ('c', 20)]
>>> li.sort(key=lambda e : e[1])
>>> li
[('a', 10), ('c', 20), ('b', 30)]
>>> li[-1][0]
'b'
或者：
>>> sorted(li, key=lambda e: e[1])[-1][0]
'b'
HTH！
【讨论】：
在这里使用 Numpy 将涉及将浮点值保存在单独的 ndarray 中。使用argmax 查找最大值索引并从单独的列表中获取单词。这是非常快的，但构造 ndarray 只是为了找到最大值不是。示例：
import numpy as np
import operator
names = [str(x) for x in xrange(10000)]
values = [float(x) for x in xrange(10000)]
tuples = zip(names, values)
dic = dict(tuples)
npvalues = np.fromiter(values, np.float)
def fa():
return names[npvalues.argmax()]
def fb():
return max(tuples, key=operator.itemgetter(1))[0]
def fc():
return max(dic, key=dic.get)
def fd():
v = np.fromiter((x[1] for x in tuples), np.float)
return tuples[v.argmax()][0]
时序：fa 67 µs，fb 2300 µs，fc 2580 µs，fd 3780 µs。
因此，当不考虑构建 Numpy 数组的时间时，使用 Numpy (fa) 比使用普通列表 (fb) 或字典 (fc) 快 30 倍以上。 （fd 考虑在内）
【讨论】：