Python中实现张量与列表高效嵌套zip的方法

需求背景 #

两个已知输入：

• 3行6列的PyTorch张量mytensor，存储浮点型数值：

mytensor = tensor([[0.6193, 0.6647, 0.4719, 0.5521, 0.5549, 0.4047],
        [0.5618, 0.5821, 0.4368, 0.5164, 0.5080, 0.3930],
        [0.5705, 0.5892, 0.4449, 0.5204, 0.5105, 0.4008]])

• 长度为6的元组mylist，存储每一列对应的标签：

mylist = ('buy', 'book', 'test', 'sell', 'watch', 'sell')

期望得到的输出是，将张量每一行的数值与mylist逐位配对成元组，最终形成嵌套列表结构：

[[('buy', 0.6193), ('book', 0.6647), ('test', 0.4719), ('sell', 0.5521), ('watch', 0.5549), ('sell', 0.4047)],
 [('buy', 0.5618), ('book', 0.5821), ('test', 0.4368), ('sell', 0.5164), ('watch', 0.5080), ('sell', 0.3930)],
 [('buy', 0.5705), ('book', 0.5892), ('test', 0.4449), ('sell', 0.5204), ('watch', 0.5105), ('sell', 0.4008)]]

最初的实现是通过循环逐行拼接，能够正常运行：

newList= []
for values in mytensor:
   newList.append(list(zip(mylist, values)))

现在希望找到更简洁、性能更优的替代实现方式。

可选择的实现方案 #

• 语法层面的简化：用列表推导式替代显式循环的append逻辑，和原实现的运行效率没有差异，代码更紧凑、可读性更强，是Python中这类遍历拼接场景的标准写法：

newList = [list(zip(mylist, row)) for row in mytensor]

关于性能的说明 #

这类操作的核心开销来自于把张量中的张量类型数值，逐元素转换为Python原生浮点数，再和字符串标签绑定为Python元组。因为最终要求的输出是纯Python的列表、元组结构，这个逐元素的对象创建开销是无法完全避免的——哪怕强行用张量级别的批量操作做向量化拼接，最后还是要逐元素遍历转换为Python原生对象，不仅不会更快，反而会多一步张量格式转换的冗余开销。
如果张量规模特别大，后续并不需要这种逐元素的元组结构，只是想把标签和数值做关联处理，更高效的方案是直接将张量转为带自定义列名的DataFrame，所有数值计算都在批量层面完成，避免逐个创建Python对象的开销，性能会比生成嵌套元组结构高几个数量级。

内容的提问来源于stack exchange，提问作者GioGio