È possibile utilizzare itertools.tee
e zip
per costruire in modo efficiente il risultato:
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
o utilizzando itertools.islice
invece:
012.
from itertools import islice
def differences(seq):
nexts = islice(seq, 1, len(seq))
for x, y in zip(seq, nexts):
yield y - x
Si può anche evitare di usare il modulo itertools
:
def differences(seq):
iterable = iter(seq)
prev = next(iterable)
for element in iterable:
yield element - prev
prev = element
Tutti questi lavori soluzione nello spazio costante se non è necessario per memorizzare tutti i risultati. La prima e l'ultima soluzione funzionano anche con infiniti iterables, mentre la seconda richiede una sequenza finita come input.
Ecco alcuni micro-benchmark delle soluzioni:
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
E le altre soluzioni proposte:
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
notare che:
zip(L[1:], L)
è equivalente a zip(L[1:], L[:-1])
poiché zip
termina già con l'input più breve, tuttavia evita l'intera copia di L
.
- accesso ai singoli elementi da indice è molto lento perché ogni accesso indice è una chiamata di metodo in pitone
numpy.diff
è lento perché deve prima convertire il list
ad un ndarray
.Ovviamente se si inizia con una ndarray
sarà molto più veloce:
In [22]: arr = np.array(L)
In [23]: %timeit np.diff(arr)
100 loops, best of 3: 3.02 ms per loop
in caso di necessità differenze assolute, '[ABS (ji) per i, j a zip (t, t [1:])]' – Anil