Aquí hay una solución simple, muy pitónica:

result = [[x[0], (x[1] + y[1])/2] for x in mylist1 for y in mylist2 if x[0] == y[0]]

Probablemente no sea la solución más rápida, pero es más rápida en virtud del uso de la comprensión de listas de Python para iterar las listas y, dado que ni esta solución ni los OP funcionarán con múltiples instancias de un valor clave de lista, reemplaza el np.mean con un promedio simple de los dos valores.

Puede hacerlo en O (n) (una sola pasada sobre cada lista) convirtiendo 1 en un dictado, luego, por elemento en la segunda lista, acceda a ese dictado (en O (1)), así:

 mylist1 = [["lemon", 0.1], ["egg", 0.1], ["muffin", 0.3], ["chocolate", 0.5]] mylist2 = [["chocolate", 0.5], ["milk", 0.2], ["carrot", 0.8], ["egg", 0.8]] l1_as_dict = dict(mylist1) myoutput = [] for item,price2 in mylist2: if item in l1_as_dict: price1 = l1_as_dict[item] myoutput.append([item, (price1+price2)/2]) print(myoutput)

Producción:

 [['chocolate', 0.5], ['egg', 0.45]]

Para manipular fácilmente sus valores, sugeriría usar un dict , encontrar las claves comunes y calcular la media:

 mylist1 = [["lemon", 0.1], ["egg", 0.1], ["muffin", 0.3], ["chocolate", 0.5]] mylist2 = [["chocolate", 0.5], ["milk", 0.2], ["carrot", 0.8], ["egg", 0.8]] recipe_1 = dict(mylist1) # {'lemon': 0.1, 'egg': 0.1, 'muffin': 0.3, 'chocolate': 0.5} recipe_2 = dict(mylist2) # {'chocolate': 0.5, 'milk': 0.2, 'carrot': 0.8, 'egg': 0.8} common_keys = recipe_1.keys() & recipe_2.keys() # {'chocolate', 'egg'} myoutput = [[item, np.mean((recipe_1[item], recipe_2[item]))] for item in common_keys] myoutput = [[item, (recipe_1[item] + recipe_2[item]) / 2] for item in common_keys]

Una solución O(n) que promediará todos los elementos.
Construya un diccionario con una lista de los valores y luego promedie ese diccionario:

 In []: d = {} for lst in (mylist1, mylist2): for i, v in lst: d.setdefault(i, []).append(v) # alternative use collections.defaultdict [(k, sum(v)/len(v)) for k, v in d.items()] Out[]: [('lemon', 0.1), ('egg', 0.45), ('muffin', 0.3), ('chocolate', 0.5), ('milk', 0.2), ('carrot', 0.8)]

Luego, si solo quieres los comunes, puedes agregar un guardia:

 In []: [(k, sum(v)/len(v)) for k, v in d.items() if len(v) > 1] Out[]: [('egg', 0.45), ('chocolate', 0.5)]

Esto se extiende a cualquier número de listas y no hace ninguna suposición sobre el número de elementos comunes.

Convertir listas en dictados

 d_list1 = dict(mylist1) d_list2 = dict(mylist2) [[k, (v+d_list2[k])/2] for k, v in d_list1.items() if k in d_list2] #[['egg', 0.45], ['chocolate', 0.5]]

Obtiene las claves comunes de las dos listas usando el método de intersection de set y luego usando una comprensión de lista, calcule la media:

 mylist1 = [["lemon", 0.1], ["egg", 0.1], ["muffin", 0.3], ["chocolate", 0.5]] mylist2 = [["chocolate", 0.5], ["milk", 0.2], ["carrot", 0.8], ["egg", 0.8]] dict1 = dict(mylist1) dict2 = dict(mylist2) res = [[key, (dict1.get(key)+dict2.get(key))/2] for key in set(dict1.keys()).intersection(set(dict2.keys()))] print(res)

Producción:

 >> [['chocolate', 0.5], ['egg', 0.45]]

Puede hacerlo en el tiempo requerido para computar las intersecciones del conjunto, que aparentemente es O (min (N1, N2)) donde N1, N2 son las longitudes de la lista.

 intersect = set([a[0] for a in mylist1]).intersection([a[0] for a in mylist2]) d1=dict(mylist1) d2=dict(mylist2) {i:(d1[i]+d2[i])/2 for i in intersect}

Puede usar la biblioteca Pandas para evitar escribir cualquier tipo de bucle usted mismo.

Su código sería realmente conciso y limpio.

Instale pandas como: pip install pandas .

Entonces prueba esto:

 In [132]: import pandas as pd In [109]: df1 = pd.DataFrame(mylist1) In [110]: df2 = pd.DataFrame(mylist2) In [117]: res = pd.merge(df1, df2, on=0) In [121]: res['mean'] = res.mean(axis=1) In [125]: res.drop(['1_x', '1_y'], 1, inplace=True) In [131]: res.values.tolist() Out[131]: [['egg', 0.45], ['chocolate', 0.5]]

Editar

Pandas es increíblemente rápido porque usa numpy debajo del capó. Numpy implementa operaciones de matriz altamente eficientes.

Consulte la publicación: ¿Por qué los pandas son tan increíblemente rápidos? para obtener más detalles sobre el cálculo de mean a través pure Python vs Pandas .

Aquí hay una solución que usa collections.defaultdict para agrupar los elementos y calcula los promedios con statistics.mean :

 from collections import defaultdict from statistics import mean mylist1 = [["lemon", 0.1], ["egg", 0.1], ["muffin", 0.3], ["chocolate", 0.5]] mylist2 = [["chocolate", 0.5], ["milk", 0.2], ["carrot", 0.8], ["egg", 0.8]] d = defaultdict(list) for lst in (mylist1, mylist2): for k, v in lst: d[k].append(v) result = [[k, mean(v)] for k, v in d.items()] print(result) # [['lemon', 0.1], ['egg', 0.45], ['muffin', 0.3], ['chocolate', 0.5], ['milk', 0.2], ['carrot', 0.8]]

Si solo queremos claves comunes, solo verifique si los valores son más de 1:

 result = [[k, mean(v)] for k, v in d.items() if len(v) > 1] print(result) # [['egg', 0.45], ['chocolate', 0.5]]

También podríamos construir el resultado a partir de la intersección de conjuntos:

 mylist1 = [["lemon", 0.1], ["egg", 0.1], ["muffin", 0.3], ["chocolate", 0.5]] mylist2 = [["chocolate", 0.5], ["milk", 0.2], ["carrot", 0.8], ["egg", 0.8]] d1, d2 = dict(mylist1), dict(mylist2) result = [[k, (d1[k] + d2[k]) / 2] for k in d1.keys() & d2.keys()] print(result) # [['egg', 0.45], ['chocolate', 0.5]]