前言:对于我这种追求极致的人来说,效率很重要。
前面看到网上关于python循环的测评,到自己在项目中的应用,发现,并不是这么回事。所以,写下次博文,一次性了解这个问题。
语言版本:python3.6
平台:mac10.12.6
IDE:pycharm community 2018.2
关于循环的介绍:
1. for循环
我们最开始使用的循环。for循环的对象是可迭代对象。这里不详述。
2. 列表解析式
与之类似,字典解析式,集合解析式等。
3. map循环
与之类似有reduce,filter。这里不详述。
最终测试结果:
map比列表解析式快一点点,
列表解析式,大概比普通for循环快1.5倍。
符合预期。(擦了一把汗!)
ps:有同学测试,说map速度远远大与列表推导式(大概快10000倍),这是因为他返回的是生成器对象,并没有计算出结果,所以这个不算。
以上测试,只是反映实际情况一种。并不能说这个是公理。仅仅给大家提供参考。博主不才。
测试开始:
import time i = list(range(1000000)) # 生成测试序列
首先测试将数字转换成字符串:
i = list(range(1000000))
t = time.time()
lt_1 = []
for each in i:
lt_1.append(str(each))
t2 = time.time()
print(t2 - t)
lt_2 = [lambda x: str(x) for x in i]
t3 = time.time()
print(t3 - t2)
lt_3 = list(map(lambda x: str(x), i))
t4 = time.time()
print(t4 - t3)
结果:
0.5911688804626465
1.0817310810089111
0.7083189487457275
0.4922349452972412
1.0927751064300537
0.4922208786010742
0.5165529251098633
1.100153923034668
0.5037112236022949
结果很意外,对吧,直接采用for循环,效率比列表解析式高一倍。和网络上的教程有出入。
说明:python3 map返回的是生成器(python2 map返回列表),需要使用list来驱动他得出结果。
接下来测试计算:
i = list(range(1000000))
t = time.time()
lt_1 = [] for each in i: each += 1 lt_1.append(each) t2 = time.time() print(t2 - t) lt_2 = [lambda x: x+1 for x in i] t3 = time.time() print(t3 - t2) lt_3 = list(map(lambda x: x+1, i)) t4 = time.time() print(t4 - t3)
结果:
0.349423885345459
1.0195939540863037
0.21120715141296387
0.4159379005432129
1.1701478958129883
0.21973800659179688
0.32332897186279297
1.2796630859375
0.36236000061035156
这里能看到,map显著比for循环高,for循环比列表解析式快,这个貌似还是有些出入。
ps:对每次结果不同的解释:由于系统本身还在运行其他程序。所以,在调用python时,不可避免需要等待其他程序结束。所以会出现第三次结果的情况。
我测试了很多遍,基本结论是,map比for循环大概快1.5倍。
但是,当我把结果打印出来时,发现,列表解析式内使用lamba,返回的是<function <listcomp>.<lambda> at 0x10e154510>,不会直接返回值:所以,更新下测试代码。
# ------------------------------- i = list(range(1000000)) t = time.time() lt_1 = [] for each in i: each += 1 lt_1.append(each) t2 = time.time() print(t2 - t) def ggwp(x): return x+1 lt_2 = [ggwp(x) for x in i] t3 = time.time() print(t3 - t2) lt_3 = list(map(lambda x: x+1, i)) t4 = time.time() print(t4 - t3)
结果:
0.32393980026245117
0.2332770824432373
0.2076709270477295
0.3169240951538086
0.23195600509643555
0.20856499671936035
0.2955038547515869
0.23477792739868164
0.20820212364196777
所以,最终结果是:map速度最快,其次是列表解析式,最后是for循环。
同样更新第一个实验的测试代码:
i = list(range(1000000)) t = time.time() lt_1 = [] for each in i: lt_1.append(str(each)) t2 = time.time() # print(lt_1) print(t2 - t) def ggwp(x): return str(x) lt_2 = [ggwp for x in i] t3 = time.time() # print(lt_2) print(t3 - t2) lt_3 = list(map(lambda x: str(x), i)) t4 = time.time() # print(lt_3) print(t4 - t3)
0.5370810031890869
0.08401012420654297
0.5191819667816162
发现,这个列表解析式,效率明显高于其他2个。于是,再次修改代码。
import time
# -------------------------------
i = list(range(1000000))
t = time.time()
lt_1 = []
for each in i:
lt_1.append(str(each))
t2 = time.time()
# print(lt_1)
print(t2 - t)
def ggwp(x):
return str(x)
lt_2 = [ggwp for x in i]
t3 = time.time()
# print(lt_2)
print(t3 - t2)
# lt_3 = list(map(lambda x: str(x), i))
lt_3 = list(map(ggwp, i))
t4 = time.time()
# print(lt_3)
print(t4 - t3)
0.480226993560791
0.06554508209228516
0.5108628273010254
是不是很神奇?WHY?为什么列表解析式的效率一下子提高这么多?
找到原因,因为红色的ggwp,只写了函数名。和之前的lambda类似,<function ggwp at 0x10e255488>。这个不符合要求。
修正后:
lt_2 = [ggwp(x) for x in i]
0.4904050827026367
0.5147149562835693
0.49653005599975586
0.5053339004516602
0.502392053604126
0.49272894859313965
0.49378418922424316
0.4825170040130615
0.5087540149688721
发现,速度差不多。基本相同。
再来测试乘法运算:
i = list(range(1000000))
t = time.time()
lt_1 = []
for each in i:
each = each*each
lt_1.append(each)
# print(lt_1)
t2 = time.time()
print(t2 - t)
def ggwp(x):
return x*x
lt_2 = [ggwp(x) for x in i]
# print(lt_2)
t3 = time.time()
print(t3 - t2)
lt_3 = list(map(lambda x: x*x, i))
# print(lt_3)
t4 = time.time()
print(t4 - t3)
0.5563499927520752
0.3827509880065918
0.3217048645019531
0.3309590816497803
0.21875500679016113
0.2042989730834961
0.3309590816497803
0.21875500679016113
0.2042989730834961
结果:map总体比列表解析式快一点。列表解析式大概比for循环快1.5倍。
----------------------------------------------------------------