[Python3]为什么map比for循环快

实验结论

• 如果需要在循环结束后获得结果，推荐列表解析；
• 如果不需要结果，直接使用for循环, 列表解析可以备选;
• 除了追求代码优雅和特定规定情境，不建议使用map

如果不需要返回结果

这里有三个process, 每个任务将通过增加循环提高时间复杂度

	def process1(val, type=None):
	    chr(val % 123)

	def process2(val, type):
	    if type == "list":
	        [process1(_) for _ in range(val)]
	    elif type == "for":
	        for _ in range(val):
	            process1(_)
	    elif type == "map":
	        list(map(lambda _: process1(_), range(val)))

	def process3(val, type):
	    if type == "list":
	        [process2(_, type) for _ in range(val)]
	    elif type == "for":
	        for _ in range(val):
	            process2(_, type)
	    elif type == "map":
	        list(map(lambda _: process2(_, type), range(val)))

然后通过三种循环方式，去依次执行三种任务

	def list_comp():
	    [process1(i, "list") for i in range(length)]
	    # [process2(i, "list") for i in range(length)]
	    # [process3(i, "list") for i in range(length)]

	def for_loop():
	    for i in range(length):
	        process1(i, "for")
	        # process2(i, "for")
	        # process3(i, "for")

	def map_exp():
	    list(map(lambda v: process1(v, "map"), range(length)))
	    # list(map(lambda v: process2(v, "map"), range(length)))
	    # list(map(lambda v: process3(v, "map"), range(length)))

从上述的图像中，可以直观的看到， 随着任务复杂度的提高以及数据量的增大，每个循环完成需要的时间也在增加，
但是map方式花费的时间明显比其他两种要更多。 所以在不需要返回处理结果时，选择标准for或者列表解析都可以。

因为标准for循环和列表解析方式在循环任务复杂度逐渐提高的情况下，处理时间基本没有差异。

需要返回结果

这里有三个task, 每个任务将通过增加循环提高时间复杂度

	def task1(val, type=None):
	    return chr(val % 123)

	def task2(val, type):
	    if type == "list":
	        return [task1(_) for _ in range(val)]
	    elif type == "for":
	        res = list()
	        for _ in range(val):
	            res.append(task1(_))
	        return res
	    elif type == "map":
	        return list(map(lambda _: task1(_), range(val)))

	def task3(val, type):
	    if type == "list":
	        return [task2(_, type) for _ in range(val)]
	    elif type == "for":
	        res = list()
	        for _ in range(val):
	            res.append(task2(_, type))
	        return res
	    elif type == "map":
	        return list(map(lambda _: task2(_, type), range(val)))

然后通过三种循环方式，去依次执行三种任务

	def list_comp():
	    # return [task1(i, "list") for i in range(length)]
	    return [task2(i, "list") for i in range(length)]
	    # return [task3(i, "list") for i in range(length)]

	def for_loop():
	    res = list()
	    for i in range(length):
	        # res.append(task1(i, "for"))
	        res.append(task2(i, "for"))
	        # res.append(task3(i, "for"))
	    return res

	def map_exp():
	    # return list(map(lambda v: task1(v, "map"), range(length)))
	    return list(map(lambda v: task2(v, "map"), range(length)))
	    # return list(map(lambda v: task3(v, "map"), range(length)))

从上述的图像中，可以直观的看到， 随着任务复杂度的提高以及数据量的增大，每个循环完成需要的时间也在增加，
但是明显看出， 使用list_comp列表解析在， 循环需要返回处理结果的每次任务中都表现的很好，基本快于其他两种迭代方式。

而标准for循环和map方式在循环任务复杂度逐渐提高的情况下，处理时间基本没有差异。

为什么普遍认为map比for快？

我认为可能跟处理的数据量有关系，大部分场景下，使用者只测试了少量的数据（100W以下，比如这篇文章,就是数据量比较少，导致速度的区别不明显），在少量的数据集下，我们确实看到了map方式比for循环快，甚至有时候比列表解析还稍微快一点，但是当我们逐渐把数据量增加原来的100倍，这时候差距的凸现出来了。

如上图，在小数据集上（100W-1KW之间）, 三者消耗的时间差不多相等，但是用map方式遍历和处理，还是有一定的加速优势。
具体实验代码可以通过Github获得