Python中依据对应权重子列表排序子列表的高效方法咨询

你的原代码逻辑没问题，确实能精准完成按对应权重子列表排序的需求～不过如果要处理大规模数据，用Numpy的向量化操作能带来明显的效率提升，下面是具体的实现方案：

Numpy版实现代码 #

import numpy as np

# 先把嵌套列表转换成numpy数组，方便后续向量化操作
arr1 = np.array(list1)
arr2 = np.array(list2)

# 获取每个子列表按权重排序的索引（argsort会返回排序后的元素原位置索引）
sorted_indices = np.argsort(arr2, axis=1)

# 根据得到的索引，对原数据数组进行排序
sorted_arr1 = np.take_along_axis(arr1, sorted_indices, axis=1)

# 如果需要转回Python列表格式，直接调用tolist()即可
sort_fea = sorted_arr1.tolist()

print('The sorted_list1 =', sort_fea)

为什么这个方法更高效？ #

• 底层向量化加速：Numpy的argsort和take_along_axis都是用C语言实现的底层操作，避免了Python层面的循环开销，当你的嵌套列表规模很大时，速度会比纯Python循环快好几倍甚至几十倍。
• 内存更紧凑：Numpy数组的内存布局是连续的，相比Python列表零散的内存占用，能减少内存浪费，处理大数据时的优势会更明显。

可选：Pandas实现方式 #

如果你平时更习惯用Pandas处理数据，也可以用DataFrame来实现，代码可读性也很好：

import pandas as pd

sort_fea = []
for c1, c2 in zip(list1, list2):
    # 把每个子列表和对应权重拼成DataFrame
    df = pd.DataFrame({'value': c1, 'weight': c2})
    # 按权重排序后提取value列
    sorted_values = df.sort_values('weight')['value'].tolist()
    sort_fea.append(sorted_values)

print('The sorted_list1 =', sort_fea)

不过要注意，Pandas更擅长处理表格型的结构化数据，单纯做这种排序操作的话，Numpy的性能还是会更胜一筹。

内容的提问来源于stack exchange，提问作者Saeed Hassiny