列表推导式求和效率低下，求大列表场景下的优化方案

我有三个长度n≥1500的列表，当前用列表推导式求和的实现每次运行耗时约3秒，但这段代码需要执行数千次，效率无法满足需求。

当前实现代码：

split = 某个预先确定的浮点数
sum([list1[k] * (list2[k] == 1) if list3[k] < split else list1[k] * (list2[k] == -1) for k in range(n)])

列表说明：

• list1：包含1500个0到1之间的正浮点数，总和为1
• list2：包含1500个随机采样的-1和1
• list3：包含1500个从正态分布中随机采样的值（示例：np.random.normal(5, 0.5, 3)）

优化方案 #

1. 使用NumPy向量化运算（推荐，性能提升最显著）

原生Python列表的循环操作效率极低，改用NumPy的向量化运算（底层由C实现）可以将单次运算耗时压缩到毫秒甚至微秒级，完全适配数千次执行的需求。

实现代码：

import numpy as np

# 将列表转换为NumPy数组（只需执行一次，无需每次运算都转换）
arr1 = np.array(list1)
arr2 = np.array(list2)
arr3 = np.array(list3)

# 向量化条件计算求和
mask = arr3 < split
result = np.sum(arr1[mask] * (arr2[mask] == 1) + arr1[~mask] * (arr2[~mask] == -1))

更简洁的等价写法：

result = np.sum(arr1 * np.where(arr3 < split, (arr2 == 1), (arr2 == -1)))

或者通过布尔掩码直接提取符合条件的元素求和，逻辑更直观：

cond1 = (arr3 < split) & (arr2 == 1)
cond2 = (arr3 >= split) & (arr2 == -1)
result = np.sum(arr1[cond1] + arr1[cond2])

2. 原生Python优化（无NumPy依赖时使用）

如果无法引入NumPy，可通过以下方式小幅提升性能：

• 用生成器表达式替代列表推导式：避免创建中间列表，节省内存并减少开销

sum(list1[k] * (list2[k] == 1) if list3[k] < split else list1[k] * (list2[k] == -1) for k in range(n))

• 用zip遍历元素而非索引访问：减少索引查找的开销，比range(n)索引更快

sum(x * (y == 1) if z < split else x * (y == -1) for x, y, z in zip(list1, list2, list3))

内容的提问来源于stack exchange，提问作者namor129