Question

对于一些计量经济学工作。

在给定（可能）大量并行数据数组的情况下，我经常需要派生多个并行计算变量数组。

在下面的例子中，我有两个输入数组和两个输出数组，但想象在现实世界中，可以有5-10个输入和输出数组。

w，x是输入
y，z是输出

方法A：

w = [1, -2, 5]
x = [0, 3, 2]
N = len(w)
I = range(N)
y = map(lambda i: w[i] + x[i], I)
z = map(lambda i: w[i] - x[i], I)

方法B：

w = [1, -2, 5]
x = [0, 3, 2]
N = len(w)
I = range(N)
y, z = [], []
for i in I:
  y.append(w[i] + x[i])
  z.append(w[i] - x[i])

方法C：

w = [1, -2, 5]
x = [0, 3, 2]
y, z = [], []
for w_i, x_i in zip(w, x):
  y.append(w_i + x_i)
  z.append(w_i - x_i)

方法D：

w = [1, -2, 5]
x = [0, 3, 2]
N = len(w)
I = range(N)
(y, z) = transpose(map(lambda i: [w[i] + x[i], w[i] - x[i]], I))

D似乎是最简洁，可扩展和高效的。但它也是最难读的，特别是对于许多具有复杂公式的变量。

A是我最喜欢的，有一点重复，但是每个可修改的循环构建效率是否低效？这不会随着大数据而扩展吗？

B vs. C：我知道C更像pythonic，但B似乎更方便和简洁，并且随着更多变量更好地扩展。在这两种情况下，我讨厌额外的行，我必须预先声明变量。

总的来说，我对上述任何一种方法都不满意。我的推理是否缺少某些东西，或者有更好的方法吗？

Answer 1

使用numpy ...在C ++中执行操作，因此速度更快......（特别是如果我们假设你的数组比3个项目大得多）

w = numpy.array([1, -2, 5])
x = numpy.array([0, 3, 2])

y = w+x
z = w-x

Answer 2

我认为@Beasley的建议效果很好，我建议在它上面使用multiprocessing，以便输出生成并行。你的计算似乎完全可以并行化！

我能提供的服务无法超越这里讨论的提示： Does python support multiprocessor/multicore programming?