Python笔记：loop循环优化（有删改）

我们知道，循环是一次一次的执行我们的要求，优化的关键点就是最小化循环的工作量*（当然只有循环次数大的时候才有意义，太小的优化效果几乎忽略不计）*。

如下为一个典型的loop循环：

import random
lowerlist = ['abcdefghijklmnopqrstuvwxyz'[:random.randint(0,25)] for x in range(1000)]
upperlist = []
​
def to_upper_1():
    for word in lowerlist:
        upperlist.append(str.upper(word))

upperlist = to_upper_1()

# jupyter， timeit结果如下：
284 µs ± 81.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

可以看到，该循环有2个对象upperlsit.append和str.upper，因为这2个对象有.这个引用符号，它的计算开销在循环次数高的时候，会凸显出来——这是很多人很多时候都没有注意到的。

"""减少.带来的搜索开销："""
upper = str.upper
append = upperlist.append

def to_upper_2():
    for word in lowerlist:
        append(upper(word))
        
upperlist = to_upper_2()

# jupyter， timeit结果如下：
187 µs ± 48.8 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

这里，upperlist、upper和append是globel变量，进一步优化的方法是，变为函数内部的local变量——python的读取效率更高。

def to_upper_3():
	upperlist = []
	upper = str.upper
	append = upperlist.append
    for word in lowerlist:
        append(upper(word))
    return upperlist
        
upperlist = to_upper_3()

# jupyter， timeit结果如下：
96.6 µs ± 718 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

不过这样一来，可读性就变差了。

另一个优化的途径是，直接替换掉循环：

lowerlist = ['abcdefghijklmnopqrstuvwxyz'[:random.randint(0,25)] for x in range(1000)]
upperlist=map(str.upper, lowerlist)

# jupyter， timeit结果如下：
19.4 ns ± 0.226 ns per loop (mean ± std. dev. of 7 runs, 100000000 loops each)

或者：

lowerlist = ['abcdefghijklmnopqrstuvwxyz'[:random.randint(0,25)] for x in range(1000)]
upperlist = [str.upper(x) for x in lowerlist]

# jupyter， timeit结果如下：
19.3 ns ± 0.193 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)

list方法丝毫不弱于map函数，因为它对于python interpreter来说，就是天生优化好的，甚至会强于map函数。

PS：numpy才是最快的，能用numpy的就用numpy。