基于键名对元组列表求平均值：能否简化代码或单行实现？

当然可以简化！甚至能写出单行的实现方式，下面给你几种不同的思路，从精简代码到单行写法逐步优化：

方法一：用collections.defaultdict替代setdefault，精简循环 #

原来的setdefault每次都要判断键是否存在，换成defaultdict(list)可以直接给键对应的列表追加值，再配合字典推导式替换第二次循环，代码清爽很多：

from collections import defaultdict

modifiedL = [('10-1984', 2.8), ('10-1984', 2.8), ('10-1984', 2.85), ('10-1984', 2.82), ('10-1984', 2.78), ('10-1984', 2.75), ('09-1984', 2.82), ('09-1984', 2.9), ('09-1984', 2.9), ('09-1984', 2.94), ('09-1984', 2.99), ('09-1984', 3.02), ('09-1984', 3.05), ('09-1984', 3.04), ('09-1984', 3.11), ('09-1984', 3.22), ('09-1984', 3.13), ('09-1984', 3.09), ('09-1984', 2.94), ('09-1984', 3.02), ('09-1984', 2.97), ('09-1984', 2.98)]

avg = defaultdict(list)
for date, value in modifiedL:
    avg[date].append(value)
# 用字典推导式直接计算平均值
avg = {date: sum(values)/len(values) for date, values in avg.items()}

这个写法保持了原逻辑的直观性，同时减少了冗余代码。

方法二：用itertools.groupby实现分组计算 #

itertools.groupby是Python标准库中专门用于分组的工具，不过要注意必须先对列表按日期排序——因为groupby只会把连续的相同键归为一组，不排序的话会漏分组：

from itertools import groupby

modifiedL = [('10-1984', 2.8), ('10-1984', 2.8), ('10-1984', 2.85), ('10-1984', 2.82), ('10-1984', 2.78), ('10-1984', 2.75), ('09-1984', 2.82), ('09-1984', 2.9), ('09-1984', 2.9), ('09-1984', 2.94), ('09-1984', 2.99), ('09-1984', 3.02), ('09-1984', 3.05), ('09-1984', 3.04), ('09-1984', 3.11), ('09-1984', 3.22), ('09-1984', 3.13), ('09-1984', 3.09), ('09-1984', 2.94), ('09-1984', 3.02), ('09-1984', 2.97), ('09-1984', 2.98)]

# 先按日期排序
sorted_list = sorted(modifiedL, key=lambda x: x[0])
# 分组并计算平均值
avg = {}
for date, group in groupby(sorted_list, key=lambda x: x[0]):
    values = [val for _, val in group]
    avg[date] = sum(values)/len(values)

如果想更紧凑，可以用字典推导式（Python 3.8+支持海象运算符，避免重复遍历迭代器）：

sorted_list = sorted(modifiedL, key=lambda x: x[0])
avg = {date: sum(val for _, val in group)/len(group) if (group := list(group)) else 0 for date, group in groupby(sorted_list, key=lambda x: x[0])}

方法三：真正的单行写法（可读性稍差，适合炫技） #

如果一定要追求单行实现，可以把defaultdict和字典推导式结合起来，用匿名函数做中间处理：

from collections import defaultdict

modifiedL = [('10-1984', 2.8), ('10-1984', 2.8), ('10-1984', 2.85), ('10-1984', 2.82), ('10-1984', 2.78), ('10-1984', 2.75), ('09-1984', 2.82), ('09-1984', 2.9), ('09-1984', 2.9), ('09-1984', 2.94), ('09-1984', 2.99), ('09-1984', 3.02), ('09-1984', 3.05), ('09-1984', 3.04), ('09-1984', 3.11), ('09-1984', 3.22), ('09-1984', 3.13), ('09-1984', 3.09), ('09-1984', 2.94), ('09-1984', 3.02), ('09-1984', 2.97), ('09-1984', 2.98)]

avg = {k: sum(v)/len(v) for k, v in (lambda d: [(k, d[k]) for k in d])(defaultdict(list, {k: d[k].append(v) or d[k] for k, v in modifiedL}))}

不过这个写法可读性比较差，不推荐在生产代码中使用，更多是满足“单行”的需求。

方法四：用pandas一行搞定（适合数据处理场景） #

如果你的项目已经在用pandas处理数据，那这个方法绝对是最简洁且可读性最高的：

import pandas as pd

modifiedL = [('10-1984', 2.8), ('10-1984', 2.8), ('10-1984', 2.85), ('10-1984', 2.82), ('10-1984', 2.78), ('10-1984', 2.75), ('09-1984', 2.82), ('09-1984', 2.9), ('09-1984', 2.9), ('09-1984', 2.94), ('09-1984', 2.99), ('09-1984', 3.02), ('09-1984', 3.05), ('09-1984', 3.04), ('09-1984', 3.11), ('09-1984', 3.22), ('09-1984', 3.13), ('09-1984', 3.09), ('09-1984', 2.94), ('09-1984', 3.02), ('09-1984', 2.97), ('09-1984', 2.98)]

avg = pd.DataFrame(modifiedL, columns=['date', 'value']).groupby('date')['value'].mean().to_dict()

pandas会帮你处理排序、分组、计算的所有细节，非常适合批量数据处理。

内容的提问来源于stack exchange，提问作者ehls39119