Python数据分析：如何高效计算列表中每N个元素的最小值、最大值及平均值

Hey there! 作为刚入门Python数据分析的新手，这个问题其实很典型——既想写出易读的代码，又想兼顾效率。咱们一步步来拆解，先从最直观的方法入手，再进阶到更高效的实现。

方法1：先拆分再计算（直观易懂，适合入门） #

这种方法就是你一开始想到的思路：先把原列表按每N个元素拆分成子列表，再对每个子列表单独计算统计量。完全符合新手的思维逻辑，可读性拉满。

lst = [6, 6, 5, 6, 7, 11, 10, 9, 9, 8, 13, 13, 13, 13, 14]
N = 5

# 按每N个元素拆分列表
groups = [lst[i:i+N] for i in range(0, len(lst), N)]

# 分别计算平均值、最小值、最大值
avg = [sum(group)/len(group) for group in groups]
min_vals = [min(group) for group in groups]
max_vals = [max(group) for group in groups]

print("avg:", avg)    # 输出: [6.0, 9.4, 13.2]
print("min:", min_vals) # 输出: [5, 8, 13]
print("max:", max_vals) # 输出: [7, 11, 14]

优缺点：代码逻辑直白，新手一眼就能看懂，但如果原列表是百万级的超大数据，拆分后会额外占用内存存储所有子列表。不过对于日常分析的常规数据量，这个方法完全够用。

方法2：迭代计算（无需显式拆分，节省内存） #

如果不想额外存储子列表，可以直接通过索引迭代原列表，每次取N个元素计算后就丢弃，内存效率更高，逻辑也同样清晰。

lst = [6, 6, 5, 6, 7, 11, 10, 9, 9, 8, 13, 13, 13, 13, 14]
N = 5

avg = []
min_vals = []
max_vals = []

# 按步长N遍历索引，逐个处理分组
for i in range(0, len(lst), N):
    current_group = lst[i:i+N]
    avg.append(sum(current_group)/len(current_group))
    min_vals.append(min(current_group))
    max_vals.append(max(current_group))

# 也可以用生成器表达式简化写法
avg = [sum(lst[i:i+N])/N for i in range(0, len(lst), N)]
min_vals = [min(lst[i:i+N]) for i in range(0, len(lst), N)]
max_vals = [max(lst[i:i+N]) for i in range(0, len(lst), N)]

优缺点：和拆分法逻辑一致，但避免了存储所有子列表的内存开销，适合处理较大规模的数据，同时保持了代码的可读性。

方法3：用NumPy实现（最高效，适合数据分析场景） #

既然你在做数据分析，NumPy是绕不开的工具——它的向量化操作在处理大规模数据时，速度远超纯Python代码，是专业数据分析的首选方案。

import numpy as np

lst = [6, 6, 5, 6, 7, 11, 10, 9, 9, 8, 13, 13, 13, 13, 14]
N = 5

# 转换为NumPy数组
arr = np.array(lst)
# 按每N个元素分组（reshape会自动将数组转为N列的二维数组，需确保总长度能被N整除）
groups = arr.reshape(-1, N)

# 对每行（每个分组）计算统计量，再转回列表
avg = groups.mean(axis=1).tolist()
min_vals = groups.min(axis=1).tolist()
max_vals = groups.max(axis=1).tolist()

print("avg:", avg)    # 输出: [6.0, 9.4, 13.2]
print("min:", min_vals) # 输出: [5, 8, 13]
print("max:", max_vals) # 输出: [7, 11, 14]

优缺点：速度极快，尤其是数据量越大，优势越明显。唯一需要注意的是，如果原列表长度不能被N整除，需要先截断数组（比如arr[:len(arr)//N*N].reshape(-1, N)），避免报错。

总结选择建议 #

• 新手入门：优先选方法1或方法2，代码易读，容易调试；
• 大规模数据/数据分析场景：选方法3，效率碾压纯Python实现；
• 特殊情况：如果原列表最后不足N个元素需要丢弃，记得在拆分/迭代前先处理列表长度。

内容的提问来源于stack exchange，提问作者g1_g1