如何高效调用数组中对应对象的get_log_probability方法并传入匹配特征值

基础场景实现（单组x_temp和theta配对） #

对于长度相等的x_temp和theta列表，直接用zip配对对应位置的元素，通过列表推导式一行即可完成调用和结果收集：

x_temp = [3.4, 2.1, 3.3, 6.6]
theta = [obj1, obj2, obj3, obj4]

log_probs = [theta_j.get_log_probability(x_j)[0] for theta_j, x_j in zip(theta, x_temp)]

该写法自动对齐两个列表的0号索引到最后一个索引，完全匹配你需要的一一对应调用逻辑，无需手动维护索引。

原predict函数优化 #

你现有的三层显式循环可以通过推导式压缩为仅1层遍历输入样本的循环，代码更简洁易读：

import numpy as np

def predict(self, X):
    y_hat = []
    for new_x in X:
        # 批量计算每个类别的总对数概率
        prob_classes = [
            np.log(self._pi[i]) + sum(
                theta_j.get_log_probability(new_x_j)[0]
                for theta_j, new_x_j in zip(theta_row, new_x)
            )
            for i, theta_row in enumerate(self._theta)
        ]
        # 选取后验概率最高的类别
        y_hat.append(self._classes[np.argmax(prob_classes)])
    return y_hat

如果你的get_log_probability方法支持批量传入特征值，还可以进一步优化：提前按特征维度归集所有样本的特征值，批量调用对应theta对象的方法减少函数调用开销，适合样本量较大的场景。

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