京公网安备 11010802034615号
经营许可证编号:京B2-20210330
最近python可是大火,各行各业的人都在学习python。既然要学习,那么基础知识就一定要掌握。列表降维了解一下啦!python是如何实现列表将为的呢?其实,python 的内置函数 sum() 能够接收两个参数,当第一个参数是二维列表,第二个参数是一维列表的时候,就能够实现列表降维的效果。下面,一起来看小编跟大家分享的这篇文章吧!
以下文章来源: Python猫
作者: 豌豆花下猫
上个月,学习群里的 S 同学问了个题目,大意可理解为列表降维 ,例子如下:
oldlist = [[1, 2, 3], [4, 5]] # 想得到结果: newlist = [1, 2, 3, 4, 5]
原始数据是一个二维列表,目的是获取该列表中所有元素的具体值。从抽象一点的角度来理解,也可看作是列表解压或者列表降维。
这个问题并不难,但是,怎么写才比较优雅呢?
# 方法一,粗暴拼接法: newlist = oldlist[0] + oldlist[1]
这种方法简单粗暴,需要拼接什么内容,就取出来直接拼接。然而,如果原列表有很多子列表,则这个方法就会变得繁琐了。
我们把原问题升级一下:一个二维列表包含 n 个一维列表元素,如何优雅地把这些子列表拼成一个新的一维列表?
方法一的做法需要写 n 个对象,以及 n - 1 次拼接操作。当然不可行。下面看看方法二:
# 方法二,列表推导式: newlist = [i for j in range(len(oldlist)) for i in oldlist[j]]
这个表达式中出现了两个 for 语句,在第一个 for 语句中,我们先取出原列表的长度,然后构造 range 对象,此时 j 的取值范围是 [0, n-1] 的闭区间。
在第二个 for 语句中,oldlist[j] 指的正是原列表的第 j 个子列表,for i in oldlist[j] 则会遍历取出 j 子列表的元素,由于 j 取值的区间正对应于原列表的全部索引值,所以,最终达到解题目的。
这种方法足够优雅了,而且理解也并不难。
然而,我们是否就能满足于此了呢?有没有其它奇技淫巧,哦不,是其它高级方法呢?F 同学贡献了一个思路:
# 方法三,巧用sum: newlist = sum(oldlist,[])
说实话,这个方法令我大感意外!sum() 函数不是用于求和的么?怎么竟然有此用法?
这个写法利用了什么原理呢?由于我开始时不知道 sum() 函数可以接收两个参数,不清楚它们是怎么用于计算的,所以一度很困惑。但是,当我知道 sum() 的完整用法时,我恍然大悟。
接下来也不卖关子了,直接揭晓吧。
语法:sum(iterable[, start]) ,sum() 函数的第一个参数是可迭代对象,如列表、元组或集合等,第二个参数是起始值,默认为 0 。其用途是以 start 值为基础,再与可迭代对象的所有元素相“加”。
在上例中,执行效果是 oldlist 中的子列表逐一与第二个参数相加,而列表的加法相当于 extend 操作,所以最终结果是由 [] 扩充成的列表。
这里有两个关键点:sum() 函数允许带两个参数,且第二个参数才是起点。 可能 sum() 函数用于数值求和比较多,然而用于作列表的求和,就有奇效。它比列表推导式更加优雅简洁!
至此,前面的升级版问题就得到了很好的回答。简单回顾一下,s 同学最初的问题可以用三种方法实现,第一种方法中规中矩,第二种方法正道进阶,而第三种方法旁门左道(没有贬义,只是说它出人意料,却效果奇佳)。
这道并不难的问题,在众人的讨论与分享后,竟还引出了很有价值的学习内容。前不久,同样是群内的一个问题,也产生了同样的学习效果,详见《Python进阶:如何将字符串常量转为变量?》。
我从中得到了一个启示:应该多角度地思考问题,设法寻求更优解,同时,基础知识应掌握牢固,并灵活贯通起来。
学无止境,这里我还想再开拓一下思路,看看能发现些什么。
1、如果原列表的元素除了列表,还有其它类型的元素,怎么把同类的元素归并在一起呢?
2、如果是一个三维或更高维的列表,怎么更好地把它们压缩成一维列表呢?
3、sum() 函数还有什么知识要点呢?
前两个问题增加了复杂度,解决起来似乎没有“灵丹妙药”了,只能用笨方法分别拆解,逐一解压。
第三个思考题是关于 sum() 函数本身的用法,我们看看官方文档是怎么说的:
The iterable’s items are normally numbers, and the start value is not allowed to be a string.
For some use cases, there are good alternatives to sum(). The preferred, fast way to concatenate a sequence of strings is by calling ''.join(sequence). To add floating point values with extended precision, see math.fsum(). To concatenate a series of iterables, consider using itertools.chain().
sum() 的第二个参数不允许是字符串。如果用了,会报错:
TypeError: sum() can't sum strings [use ''.join(seq) instead]
为什么不建议使用 sum() 来拼接字符串呢?哈哈,文档中建议使用 join() 方法,因为它更快。为了不给我们使用慢的方法,它竟特别限定不允许 sum() 的第二个参数是字符串。
文档还建议,在某些使用场景时,不要用 sum() ,例如当以扩展精度对浮点数求和时,推荐使用 math.fsum() ;当要拼接一系列的可迭代对象时,应考虑使用itertools.chain() 。
浮点数的计算是个难题,我曾转载过一篇《如何在 Python 里面精确四舍五入?》,对此有精彩分析。而itertools.chain() 可以将不同类型的可迭代对象串联成一个更大的迭代器,这在旧文《Python进阶:设计模式之迭代器模式》中也有论及。
不经意间,sum() 函数的注意事项,竟把 Python 其它的进阶内容都联系起来了。小小的函数,竟成为学习之路上的一个枢纽。
前段时间,我还写过 range() 、locals() 和 eval() 等内置函数,也是通过一个问题点,而关联出多个知识点, 获益良多。这些内置函数/类的魔力可真不小啊。
本文到此结束,希望对你有所帮助。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析实战中,我们经常会遇到“多指标冗余”的问题——比如分析企业经营状况时,需同时关注营收、利润、负债率、周转率等十 ...
2026-02-04在数据分析场景中,基准比是衡量指标表现、评估业务成效、对比个体/群体差异的核心工具,广泛应用于绩效评估、业务监控、竞品对 ...
2026-02-04业务数据分析是企业日常运营的核心支撑,其核心价值在于将零散的业务数据转化为可落地的业务洞察,破解运营痛点、优化业务流程、 ...
2026-02-04在信贷业务中,违约率是衡量信贷资产质量、把控信用风险、制定风控策略的核心指标,其统计分布特征直接决定了风险定价的合理性、 ...
2026-02-03在数字化业务迭代中,AB测试已成为验证产品优化、策略调整、运营活动效果的核心工具。但多数业务场景中,单纯的“AB组差异对比” ...
2026-02-03企业战略决策的科学性,决定了其长远发展的格局与竞争力。战略分析方法作为一套系统化、专业化的思维工具,为企业研判行业趋势、 ...
2026-02-03在统计调查与数据分析中,抽样方法分为简单随机抽样与复杂抽样两大类。简单随机抽样因样本均匀、计算简便,是基础的抽样方式,但 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02在数据驱动企业发展的今天,“数据分析”已成为企业经营决策的核心支撑,但实践中,战略数据分析与业务数据分析两个概念常被混淆 ...
2026-02-02B+树作为数据库索引的核心数据结构,其高效的查询、插入、删除性能,离不开节点间指针的合理设计。在日常学习和数据库开发中,很 ...
2026-01-30在数据库开发中,UUID(通用唯一识别码)是生成唯一主键、唯一标识的常用方式,其标准格式包含4个短横线(如550e8400-e29b-41d4- ...
2026-01-30商业数据分析的价值落地,离不开标准化、系统化的总体流程作为支撑;而CDA(Certified Data Analyst)数据分析师,作为经过系统 ...
2026-01-30在数据分析、质量控制、科研实验等场景中,数据波动性(离散程度)的精准衡量是判断数据可靠性、稳定性的核心环节。标准差(Stan ...
2026-01-29在数据分析、质量检测、科研实验等领域,判断数据间是否存在本质差异是核心需求,而t检验、F检验是实现这一目标的经典统计方法。 ...
2026-01-29统计制图(数据可视化)是数据分析的核心呈现载体,它将抽象的数据转化为直观的图表、图形,让数据规律、业务差异与潜在问题一目 ...
2026-01-29箱线图(Box Plot)作为数据分布可视化的核心工具,能清晰呈现数据的中位数、四分位数、异常值等关键统计特征,广泛应用于数据分 ...
2026-01-28在回归分析、机器学习建模等数据分析场景中,多重共线性是高频数据问题——当多个自变量间存在较强的线性关联时,会导致模型系数 ...
2026-01-28数据分析的价值落地,离不开科学方法的支撑。六种核心分析方法——描述性分析、诊断性分析、预测性分析、规范性分析、对比分析、 ...
2026-01-28在机器学习与数据分析领域,特征是连接数据与模型的核心载体,而特征重要性分析则是挖掘数据价值、优化模型性能、赋能业务决策的 ...
2026-01-27关联分析是数据挖掘领域中挖掘数据间潜在关联关系的经典方法,广泛应用于零售购物篮分析、电商推荐、用户行为路径挖掘等场景。而 ...
2026-01-27