如何获取列表中的所有奇数变量？

Question

如果我在Python里创建一个列表，想写一个函数来返回从1到x之间的所有奇数，我该怎么做呢？

比如说，如果我有一个列表[1, 2, 3, 4]，这个范围是从1到4（4就是我的x），我想得到的结果是[1, 3]。

Answer 1

如果你想要得到一个范围内的奇数或偶数，直到一个数字 n（可能包括 n 本身），你可以这样做：

def odd_numbers(n):
    return range(1, n+1, 2)
def even_numbers(n):
    return range(0, n+1, 2)

如果你想要一个通用的方法，从一个序列中提取出奇数 索引 的项，你可以这样做：

import itertools
def odd_indexes(sequence):
    return itertools.islice(sequence, 1, None, 2)
def even_indexes(sequence):
    return itertools.islice(sequence, 0, None, 2)

Answer 2

下面的代码有什么问题：

def getodds(lst):
    return lst[1::2]

....???

（假设你想从某个任意的序列中获取每隔一个的元素，也就是那些索引为奇数的元素）。

另外，如果你想从一个数字列表中获取值为奇数的所有元素，可以这样做：

def oddonly(lst):
    return [x for x in lst if x % 2]

[更新：2017]

你可以使用“惰性求值”来从生成器中获取这些元素：

def get_elements_at_odd_indices(sequence):
    for index, item in enumerate(sequence):
        if index % 2:
            yield item
        else:
            continue

如果你想获取奇数元素（而不是从序列开始的每个奇数位置的元素），可以用更简单的方法：

def get_odd_elements(sequence):
    for item in sequence:
        if item % 2:
            yield item
        else:
            continue

这适用于任何序列或可迭代对象类型。（显然，后者只适用于那些能产生数字的序列或可迭代对象……或者其他类型能通过% 2得到有意义的“奇数”结果）。

另外，如果我们想高效地操作Pandas系列或数据框的列，或者底层的NumPy，我们可以使用[1::2]切片法来获取奇数索引的元素，而使用NumPy的“花式索引”可以获取每个包含奇数值的元素。

例如：

import numpy as nd
arr = nd.arange(1000)
odds = arr[arr%2!=0]

我把“花式索引”写成arr[arr%2!=0]，因为这样可以更好地推广到过滤出每第三个、第四个或其他第n个元素；但你也可以使用更复杂的表达式。

注意，语法arr[arr%2!=0]可能看起来有点奇怪。这是因为NumPy重载了各种算术和位运算符以及增强赋值操作。关键是NumPy会将这些操作转换为机器代码，这样可以高效地在NumPy数组上进行向量化操作……在底层CPU支持的情况下使用SIMD。例如，在今天的典型笔记本和台式机系统上，NumPy可以将许多算术操作转换为SSE操作。

Answer 3

如果你想从一个任意的列表开始：

[item for item in yourlist if item % 2]

但是如果你总是从 range 开始的话，使用 range(1, x, 2) 会更好！-)

举个例子：

$ python -mtimeit -s'x=99' 'filter(lambda(t): t % 2 == 1, range(1, x))'
10000 loops, best of 3: 38.5 usec per loop
$ python -mtimeit -s'x=99' 'range(1, x, 2)'
1000000 loops, best of 3: 1.38 usec per loop

所以在这个情况下，正确的方法比一种比较常见的错误方法快了28倍（！）

这个“比你需要的更通用，但如果这就是你需要的”解决方案：

$ python -mtimeit -s'yourlist=range(1,99)' '[item for item in yourlist if item % 2]'
10000 loops, best of 3: 21.6 usec per loop

速度大约是错误示例的两倍，但仍然比“刚刚好的”方案慢超过15倍！-)