python 列表推导式 好处_python - 列表推导和功能函数是否比“for循环”更快？
python - 列表推导和功能函数是否比“for循环”更快？
在Python的性能方面，是一个列表理解，还是比for循环更快的map()，filter()和reduce()等函数？ 从技术上讲，为什么它们“以C速度运行”，而“for循环以python虚拟机速度运行”？
假设在我正在开发的游戏中，我需要使用for循环绘制复杂且巨大的地图。 这个问题肯定是相关的，因为例如，如果列表理解确实更快，那么为了避免滞后(尽管代码的视觉复杂性)，这将是一个更好的选择。
5个解决方案
102 votes
以下是基于经验的粗略指导和有根据的猜测。 您应该lambda或者描述您的具体用例以获取硬数字，这些数字可能偶尔不同意以下内容。
列表推导通常比精确等效的lambda循环(实际上构建列表)快一点，很可能是因为它不必在每次迭代时查找列表及其map方法。 但是，列表推导仍然会执行字节码级循环：
>>> dis.dis()
1 0 BUILD_LIST 0
3 LOAD_FAST 0 (.0)
>> 6 FOR_ITER 12 (to 21)
9 STORE_FAST 1 (x)
12 LOAD_FAST 1 (x)
15 LIST_APPEND 2
18 JUMP_ABSOLUTE 6
>> 21 RETURN_VALUE
使用列表推导代替不构建列表的循环，无意义地累积无意义值列表然后抛弃列表，由于创建和扩展列表的开销，因此通常较慢。 列表推导不是神奇的，本质上比一个好的旧循环更快。
至于功能列表处理功能：虽然它们是用C语言编写的，并且可能胜过用Python编写的等效函数，但它们不一定是最快的选择。 如果函数也是用C语言写的，那么预计会有一些加速。 但是大多数情况下使用lambda(或其他Python函数)，重复设置Python堆栈帧等的开销会节省任何费用。 简单地在线执行相同的工作，没有函数调用(例如列表理解而不是map或filter)通常会稍快一些。
假设在我正在开发的游戏中，我需要使用for循环绘制复杂且巨大的地图。 这个问题肯定是相关的，因为例如，如果列表理解确实更快，那么为了避免滞后(尽管代码的视觉复杂性)，这将是一个更好的选择。
如果像这样的代码在用非“优化”的Python编写时还不够快，那么很可能没有多少Python级别的微优化能够让它足够快，你应该开始考虑下降到C. 微优化通常可以大大加快Python代码的速度，对此的限制很低(绝对值)。 而且，甚至在你达到这个上限之前，它就变得更具成本效益(15％的加速比300％加速同样的努力)咬住子弹并写下一些C.
answered 2019-07-25T11:08:00Z
14 votes
如果你查看python.org上的信息，你可以看到这个摘要：
Version Time (seconds)
Basic loop 3.47
Eliminate dots 2.45
Local variable & no dots 1.79
Using map function 0.54
但是你真的应该详细阅读上面的文章，以了解性能差异的原因。
我还强烈建议您使用timeit来计算代码。 在一天结束时，可能存在这样的情况，例如，当满足条件时，您可能需要突破for循环。 它可能比通过调用map找到结果更快。
Anthony Kong answered 2019-07-25T11:08:39Z
12 votes
你特别询问map()，filter()和reduce()，但我想你一般都想了解函数式编程。 我自己测试了计算一组点内所有点之间距离的问题，函数式编程(使用内置itertools模块中的starmap函数)结果比for循环略慢(长度为1.25倍) ， 事实上)。 这是我使用的示例代码：
import itertools, time, math, random
class Point:
def __init__(self,x,y):
self.x, self.y = x, y
point_set = (Point(0, 0), Point(0, 1), Point(0, 2), Point(0, 3))
n_points = 100
pick_val = lambda : 10 * random.random() - 5
large_set = [Point(pick_val(), pick_val()) for _ in range(n_points)]
# the distance function
f_dist = lambda x0, x1, y0, y1: math.sqrt((x0 - x1) ** 2 + (y0 - y1) ** 2)
# go through each point, get its distance from all remaining points
f_pos = lambda p1, p2: (p1.x, p2.x, p1.y, p2.y)
extract_dists = lambda x: itertools.starmap(f_dist,
itertools.starmap(f_pos,
itertools.combinations(x, 2)))
print('Distances:', list(extract_dists(point_set)))
t0_f = time.time()
list(extract_dists(large_set))
dt_f = time.time() - t0_f
功能版本比程序版本更快吗？
def extract_dists_procedural(pts):
n_pts = len(pts)
l = []
for k_p1 in range(n_pts - 1):
for k_p2 in range(k_p1, n_pts):
l.append((pts[k_p1].x - pts[k_p2].x) ** 2 +
(pts[k_p1].y - pts[k_p2].y) ** 2)
return l
t0_p = time.time()
list(extract_dists_procedural(large_set))
# using list() on the assumption that
# it eats up as much time as in the functional version
dt_p = time.time() - t0_p
f_vs_p = dt_p / dt_f
if f_vs_p >= 1.0:
print('Time benefit of functional progamming:', f_vs_p,
'times as fast for', n_points, 'points')
else:
print('Time penalty of functional programming:', 1 / f_vs_p,
'times as slow for', n_points, 'points')
andreipmbcn answered 2019-07-25T11:09:13Z
6 votes
我写了一个测试速度的简单脚本，这就是我发现的。 实际上for循环在我的情况下是最快的。 这真让我感到惊讶，请查看贝娄(正在计算平方和)。
from functools import reduce
import datetime
def time_it(func, numbers, *args):
start_t = datetime.datetime.now()
for i in range(numbers):
func(args[0])
print (datetime.datetime.now()-start_t)
def square_sum1(numbers):
return reduce(lambda sum, next: sum+next**2, numbers, 0)
def square_sum2(numbers):
a = 0
for i in numbers:
i = i**2
a += i
return a
def square_sum3(numbers):
sqrt = lambda x: x**2
return sum(map(sqrt, numbers))
def square_sum4(numbers):
return(sum([int(i)**2 for i in numbers]))
time_it(square_sum1, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum2, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum3, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum4, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
0:00:00.302000 #Reduce
0:00:00.144000 #For loop
0:00:00.318000 #Map
0:00:00.390000 #List comprehension
alphiii answered 2019-07-25T11:09:46Z
3 votes
为Alphii答案添加一个扭曲，实际上for循环将是第二好的，比sum慢约6倍
from functools import reduce
import datetime
def time_it(func, numbers, *args):
start_t = datetime.datetime.now()
for i in range(numbers):
func(args[0])
print (datetime.datetime.now()-start_t)
def square_sum1(numbers):
return reduce(lambda sum, next: sum+next**2, numbers, 0)
def square_sum2(numbers):
a = 0
for i in numbers:
a += i**2
return a
def square_sum3(numbers):
a = 0
map(lambda x: a+x**2, numbers)
return a
def square_sum4(numbers):
a = 0
return [a+i**2 for i in numbers]
time_it(square_sum1, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum2, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum3, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum4, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
主要的变化是消除了缓慢的sum调用，以及在最后一种情况下可能不必要的int()。 实际上，将for循环和地图放在相同的术语中是非常事实。 请记住，lambdas是功能概念，理论上不应该有副作用，但是，它们可能有副作用，如添加到a。这种情况下的结果是Python 3.6.1，Ubuntu 14.04，Intel(R)Core(TM)i7-4770 CPU @ 3.40GHz
0:00:00.257703
0:00:00.184898
0:00:00.031718
0:00:00.212699
jjmerelo answered 2019-07-25T11:10:20Z