Запуск среднего уровня в Python

Есть ли способ pythonic для создать список, содержащий среднюю некоторую функцию?

Прочитав веселый маленький кусочек о марсиане, черных ящиках и распределении Коши, я подумал, что было бы интересно рассчитать пробег среднее значение распределения Коши:

import math 
import random

def cauchy(location, scale):
    p = 0.0
    while p == 0.0:
        p = random.random()
    return location + scale*math.tan(math.pi*(p - 0.5))

# is this next block of code a good way to populate running_avg?
sum = 0
count = 0
max = 10
running_avg = []
while count < max:
    num = cauchy(3,1)
    sum += num
    count += 1
    running_avg.append(sum/count)

print running_avg     # or do something else with it, besides printing

Я думаю, что этот подход работает, но мне любопытно, может ли быть более элегантный подход к созданию этого списка running_avg, чем использование циклов и счетчиков (например, ).

Есть несколько связанных вопросов, но они адресуют более сложные проблемы (размер небольшого окна, экспоненциальный вес) или не относятся к Python:

Ответ 1

Вы можете написать генератор:

def running_average():
  sum = 0
  count = 0
  while True:
    sum += cauchy(3,1)
    count += 1
    yield sum/count

Или, учитывая генератор чисел Коши и функцию полезности для генератора текущей суммы, вы можете иметь точное выражение генератора:

# Cauchy numbers generator
def cauchy_numbers():
  while True:
    yield cauchy(3,1)

# running sum utility function
def running_sum(iterable):
  sum = 0
  for x in iterable:
    sum += x
    yield sum

# Running averages generator expression (** the neat part **)
running_avgs = (sum/(i+1) for (i,sum) in enumerate(running_sum(cauchy_numbers())))

# goes on forever
for avg in running_avgs:
  print avg

# alternatively, take just the first 10
import itertools
for avg in itertools.islice(running_avgs, 10):
  print avg

Ответ 2

Вы можете использовать сопрограммы. Они похожи на генераторы, но позволяют отправлять значения. Coroutines был добавлен в Python 2.5, так что это не будет работать в версиях до этого.

def running_average():
    sum = 0.0
    count = 0
    value = yield(float('nan'))
    while True:
        sum += value
        count += 1
        value = yield(sum/count)

ravg = running_average()
next(ravg)   # advance the corutine to the first yield

for i in xrange(10):
    avg = ravg.send(cauchy(3,1))
    print 'Running average: %.6f' % (avg,)

Как понимание списка:

ravg = running_average()
next(ravg)
ravg_list = [ravg.send(cauchy(3,1)) for i in xrange(10)]

редактирует:

Использование функции next() вместо метода it.next(). Это значит, что он также будет работать с Python 3. Функция next() также была перенесена обратно в Python 2.6+.
В Python 2.5 вы можете либо заменить вызовы на it.next(), либо самостоятельно определить функцию next.
(Спасибо Адам Паркин)

Ответ 3

У меня есть два возможных решения для вас. Оба являются всего лишь средними средними функциями, которые работают с любым списком чисел. (может быть сделано для работы с любым итерабельным)

Генератор на основе:

nums = [cauchy(3,1) for x in xrange(10)]

def running_avg(numbers):
    for count in xrange(1, len(nums)+1):
        yield sum(numbers[:count])/count

print list(running_avg(nums))

Основано на списке (на самом деле тот же код, что и раньше):

nums = [cauchy(3,1) for x in xrange(10)]

print [sum(nums[:count])/count for count in xrange(1, len(nums)+1)]

Генератор-компоновщик Генератор на основе:

Изменить: этот, который я только что проверил, чтобы проверить, могу ли я легко решить мое решение, совместимое с генераторами, и какова будет его производительность. Это то, что я придумал.

def running_avg(numbers):
    sum = 0
    for count, number in enumerate(numbers):
        sum += number
        yield sum/(count+1)

Посмотрите статистику производительности ниже, хорошо стоит.

Технические характеристики:

Редактирование: я также решил протестировать Orip интересное использование нескольких генераторов, чтобы увидеть влияние на производительность.

Используя timeit и следующие (1,000,000 итераций 3 раза):

print "Generator based:", ', '.join(str(x) for x in Timer('list(running_avg(nums))', 'from __main__ import nums, running_avg').repeat())
print "LC based:", ', '.join(str(x) for x in Timer('[sum(nums[:count])/count for count in xrange(1, len(nums)+1)]', 'from __main__ import nums').repeat())
print "Orip's:", ', '.join(str(x) for x in Timer('list(itertools.islice(running_avgs, 10))', 'from __main__ import itertools, running_avgs').repeat())

print "Generator-compatabile Generator based:", ', '.join(str(x) for x in Timer('list(running_avg(nums))', 'from __main__ import nums, running_avg').repeat())

Получаю следующие результаты:

Generator based: 17.653908968, 17.8027219772, 18.0342400074
LC based: 14.3925321102, 14.4613749981, 14.4277560711
Orip's: 30.8035550117, 30.3142540455, 30.5146529675

Generator-compatabile Generator based: 3.55352187157, 3.54164409637, 3.59098005295

Смотрите комментарии для кода:

Orip genEx based: 4.31488609314, 4.29926609993, 4.30518198013

Результаты отображаются в секундах и показывают, что генератор-совместимый генератор LC будет последовательно быстрее, ваши результаты могут отличаться. Я ожидаю, что огромная разница между моим оригинальным генератором и новым заключается в том, что сумма не рассчитывается "на лету".