如何从单独的列表中添加/求和值

Question

我有一个我想加在一起的个位数的列表。你知道吗

我从这个开始：

d3 = [9,9,9,8]
d4 = [3,6,np.nan,10]

for i,j in enumerate(d3):
    add = [(d3[i]-d4[i])**2]

当我执行上述代码时，我得到以下列表：

[36]
[9]
[nan]
[4]

但是，我需要这些数字的总和，同时忽略NaN（期望的输出是36+9+4）：

Answer 1

>>> import numpy as np

>>> d3 = [9,9,9,8]
>>> d4 = [3,6,np.nan,10]
>>> total = np.nansum([(a-b)**2 for a,b in zip(d3, d4)])
49.0

编辑

下面是一些测试，用列表显示这需要多长时间，np.数组，并将列表转换为np.数组正在运行：

>>> import numpy as np

>>> short_l1 = [9,9,9,8]
>>> short_l2 = [3,6,np.nan,10]
>>> long_l1 = short_l1 * 1000
>>> long_l2 = short_l2 * 1000

>>> short_a1 = np.array(short_l1)
>>> short_a2 = np.array(short_l2)
>>> long_a1 = np.array(long_l1)
>>> long_a2 = np.array(long_l2)

>>> %timeit np.nansum([(a-b)**2 for a,b in zip(short_l1 , short_l2)])
9.1 µs ± 29.4 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

>>> %timeit np.nansum((np.array(short_l1)-np.array(short_l2))**2)
12 µs ± 112 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

>>> %timeit np.nansum((short_a1-short_a2)**2)
9.07 µs ± 24.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

>>> %timeit np.nansum([(a-b)**2 for a,b in zip(long_l1 , long_l2)])
1.32 ms ± 15.8 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

>>> %timeit np.nansum((np.array(long_l1)-np.array(long_l2))**2)
498 µs ± 3.07 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

>>> %timeit np.nansum((long_a1-long_a2)**2)
48.7 µs ± 581 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

正如您所看到的，您肯定应该按照@DSM的回答来做，当您的数据量增加时，会更快

Answer 2

对于numpy中的快速代码，您希望尽可能避免循环。转换为numpy数组（坦率地说，最好从开始，否则每次转换都会失败！），应用向量运算，然后使用np.nansum：

In [9]: np.array(d3) - np.array(d4)
Out[9]: array([  6.,   3.,  nan,  -2.])

In [10]: (np.array(d3) - np.array(d4))**2
Out[10]: array([ 36.,   9.,  nan,   4.])

In [11]: np.nansum((np.array(d3) - np.array(d4))**2)
Out[11]: 49.0

作为比较，如果我们从numpy数组开始，读起来更好：

In [14]: d3 = np.array(d3); d4 = np.array(d4)

In [15]: np.nansum((d3-d4)**2)
Out[15]: 49.0

Answer 3

如果您只希望列表中的值之和忽略NaN值，numpy中有一个名为np.nansum()的内置函数将忽略所有NaN值：

d4 = [3,6,np.nan,10]
print(np.nansum(d4))
Out[110]: 19.0