列表理解和函数函数比"for循环“更快吗？
就Python语言的性能而言，列表理解或者像map()、filter()和reduce()这样的函数比for循环快吗？为什么从技术上讲，他们在C速度的中运行，而循环在python虚拟机速度中运行？
假设在我正在开发的游戏中，我需要使用for循环绘制复杂而巨大的地图。这个问题肯定是相关的，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)，它将是一个更好的选择。
回答 7
Stack Overflow用户
发布于 2014-03-01 08:56:05
以下是基于经验的粗略指导和有根据的猜测。你应该对你的具体用例进行timeit或概要分析，以获得确切的数字，这些数字可能偶尔会与下面的数字不一致。
列表理解通常比精确等价的for循环(实际构建列表)快一点，这很可能是因为它不必在每次迭代中都查找列表及其append方法。但是，列表理解仍然执行字节码级别的循环：
>>> dis.dis(<the code object for `[x for x in range(10)]`>)
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使用列表理解代替不构建列表的循环，毫无意义地累积无意义的值列表，然后丢弃该列表，通常会因为创建和扩展列表的开销而变得更慢。列表理解并不是魔术，它天生就比一个好的旧循环快。
至于函数列表处理函数:虽然这些函数是用C编写的，并且可能优于用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语言编写的，那么期望的速度会有所提高。但在大多数情况下，使用lambda (或其他Python函数)时，重复设置Python堆栈帧等的开销会消耗掉所有节省下来的资源。简单地做同样的工作，没有函数调用(例如，列表理解而不是map或filter)通常会稍微快一点。
假设在我正在开发的游戏中，我需要使用
循环来绘制复杂而巨大的地图。这个问题肯定是相关的，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)，它将是一个更好的选择。
如果像这样的代码在用优秀的非“优化”Python编写时还不够快，那么再多的Python级别的微优化也不会让它变得足够快，您应该开始考虑使用C语言。虽然广泛的微优化通常可以显著提高Python代码的速度，但这是有一个很低的(绝对)限制的。此外，甚至在你达到这个上限之前，咬住子弹写一些C代码就会变得更具成本效益(15%的加速比300%的相同努力)。
Stack Overflow用户
发布于 2014-03-01 08:44:45
如果您检查info on python.org，您可以看到此摘要：
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来理解性能差异的原因。
我还强烈建议您使用timeit对代码进行计时。最终，可能会出现这样一种情况，例如，当满足某个条件时，您可能需要退出for循环。它可能比通过调用map找到结果更快。
Stack Overflow用户
发布于 2014-03-01 08:56:49
您特别询问了map()、filter()和reduce()，但我假设您希望了解函数式编程的一般情况。在计算一组点中所有点之间的距离的问题上，我自己测试了这个方法，结果发现函数式编程(使用内置itertools模块中的starmap函数)比for循环(实际上需要1.25倍的时间)稍微慢一些。下面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函数式版本比过程式版本快吗？
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')https://stackoverflow.com/questions/22108488
复制相似问题
腾讯云开发者
