このように、数字のリストを考えるとフラットサブ範囲

Question

と番号のリストを置き換えます

lst = [0, 10, 15, 17] 

私はlst内のすべてのiためi -> i + 3の要素を持つリストをしたいと思います。重複する範囲がある場合は、それらをマージしてください。

ので、上記の例のために、我々は最初の取得：

[0, 1, 2, 3,  10, 11, 12, 13,  15, 16, 17, 18, 17, 18, 19, 20] 

しかし、それらをマージすると、あなたが持っているので、最後の2基については、範囲は、オーバーラップ：

[0, 1, 2, 3,  10, 11, 12, 13,  15, 16, 17, 18,  19, 20] 

これは、私の希望する出力。しかし、これは（10000 loops, best of 3: 56 µs per loop）遅い

from collections import OrderedDict 

res = list(OrderedDict.fromkeys([y for x in lst for y in range(x, x + 4)]).keys()) 
print(res) = [0, 1, 2, 3, 10, 11, 12, 13, 15, 16, 17, 18, 19, 20] 

：

これは私が考えたものです。可能であれば、私はnumpyの解決策、またはこれよりも速いpythonの解決策を希望します。

Answer 1

アプローチ＃1：broadcasted合計に基づいて一つのアプローチして、ユニークな番号を取得するためにnp.uniqueを使用して -

np.unique(np.asarray(lst)[:,None] + np.arange(4)) 

アプローチ＃2：別の放送和に基づいて、その後、マスキング -

def mask_app(lst, interval_len = 4): 
    arr = np.array(lst) 
    r = np.arange(interval_len) 
    ranged_vals = arr[:,None] + r 
    a_diff = arr[1:] - arr[:-1] 
    valid_mask = np.vstack((a_diff[:,None] > r, np.ones(interval_len,dtype=bool))) 
    return ranged_vals[valid_mask] 

ランタイムテスト

オリジナルのアプローチ -

from collections import OrderedDict 
def org_app(lst): 
    list(OrderedDict.fromkeys([y for x in lst for y in range(x, x + 4)]).keys()) 

タイミング - それはうまく後で返済しているように見えるものの、arrayへの変換であるよう

In [409]: n = 10000 

In [410]: lst = np.unique(np.random.randint(0,4*n,(n))).tolist() 

In [411]: %timeit org_app(lst) 
    ...: %timeit np.unique(np.asarray(lst)[:,None] + np.arange(4)) 
    ...: %timeit mask_app(lst, interval_len = 4) 
    ...: 
10 loops, best of 3: 32.7 ms per loop 
1000 loops, best of 3: 1.03 ms per loop 
1000 loops, best of 3: 671 µs per loop 

In [412]: n = 100000 

In [413]: lst = np.unique(np.random.randint(0,4*n,(n))).tolist() 

In [414]: %timeit org_app(lst) 
    ...: %timeit np.unique(np.asarray(lst)[:,None] + np.arange(4)) 
    ...: %timeit mask_app(lst, interval_len = 4) 
    ...: 
1 loop, best of 3: 350 ms per loop 
100 loops, best of 3: 14.7 ms per loop 
100 loops, best of 3: 9.73 ms per loop 

ボトルネック2つの掲載のアプローチとは思われます。最後のデータセットの変換に費やされた時間の感覚を与えるだけです -

In [415]: %timeit np.array(lst) 
100 loops, best of 3: 5.6 ms per loop