Python 针对列表和字典比较del操作的性能

1. 文章概述

本文是根据《Python数据结构与算法分析》(第2版) 第二章算法分析的编程练习题“针对列表和字典比较del操作的性能”此题给出自己的解答，如有问题欢迎提出。

Python版本：3.9   系统：win10  设备：ASUA Vivobook 无畏pro14

2. 解答角度

回答从三个角度展开：

① del 对象最后一个元素

② del 整个对象

③ del 随机索引位置元素(执行1000次)

3. 所需知识

在数据结构研究算法的执行效率时，有两个角度分别为：算法占用的空间资源和算法的执行时间，算法的执行时间根据大O法进行衡量。为了得到算法的执行时间可以使用Python的第三方库timeit模块(无需安装)。而使用该模块，必须先创建一个Timer对象，该对象有两个参数：1:需要进行计时的Python语句；2.需要建立的测试的语句[1]。默认Timeit对象执行100万次，但这样会导致计算机高负荷运行很长时间，这里只是做个测试，因此规定执行1000次。执行次数根据Timer对象参数number进行设置。

本题Timer对象所需语法知识：

Timer("所需测试语句","将测试对象从__main__命名空间导入到timeit设置的计时的命名空间") [1]

4.实现

① del 对象最后一个元素

from timeit import Timer
from random

print("i     del lst[-1]  del dic[end]")  # 结构属性指标，方便看

for i in range(10000, 1000001, 20000):    # 假设问题规模从10000到1000001开始

    t1 = Timer("del x[-1]",
               "from __main__ import x")   # Timer 对象（列表），类似导入第三方库
    x = list(range(i))                     # 生成列表对象，注意这种生成方式执行时间最短
    lt = t1.timeit(number=1000)            # 调用Timer对象，执行1000次，并统计时间
    x = {j: None for j in range(i)}        # 生成字典对象，注意这种生成方式执行时间最短
    lst = list(x.keys())
    t = Timer("del x[lst[-1]]; lst.pop()",    # Timer对象（字典），注意对象参数一的执行命令
              "from __main__ import x, lst")
    dt = t.timeit(number=1000)
    print("%d %10.5f %10.5f" % (i, lt, dt))   # 输出结果
print()

执行结果（未全给出）：

结论：无论是列表还是字典，del 最后一个元素是常数阶，即O(1)，虽然删除了所有的元素，你可能想时间复杂度会是n阶，但由于是删除最后一个元素，并逐步向索引小的位置移动，这时就类似pop()，而字典和列表的pop()都是常数阶。

     你能发现字典的执行时间比列表的执行时间大将近一倍，其实不然，由于我为了实现这个效果，我在字典的Timer对象中的调用命令中添加了一个lst.pop()，假设有更好的方法实现，那么字典执行时间将与列表一致。总结：字典和列表在本操作中的执行时间相同。

② del 整个对象

print("i     del lst  del dic")
for i in range(10000, 1000001, 20000):
    t = Timer("del x",
              "from __main__ import x")   # 只创建一个Timer对象
    x = list(range(i))
    lt = t.timeit(number=1)
    x = {j: None for j in range(i)}
    dt = t.timeit(number=1)
    print("%d %10.7f %10.7f" % (i, lt, dt))
print()

执行结果：

结论：无论是列表还是字典，虽然执行时间有时候会抽风，但总体看del 整个对象（删除对象的引用）的时间复杂度为O(1)，但需要注意的是删除列表中的所有元素(逐一)的时间复杂度为O(n)，因为删除所有的元素，假设从索引为0开始删除，由于第一个元素被删除，列表后面的元素都要向前移动一个位置，所以时间复杂度如上所述。且这个操作的消耗的时间比以上del 对象最后一个元素的时间稍微长，可能因为是删除对象的引用吧。

③ del 随机索引位置元素(执行1000次)

print("i     del lst[random]  del dic[random]")
for i in range(10000, 1000001, 20000):
    x = list(range(i))
    t1 = Timer("del x[%d]" % random.randint(0, len(x)-1), # 注意参数一的执行设置
               "from __main__ import x")
    lt = t1.timeit(number=1000)
    x = {j: None for j in range(i)}
    t2 = Timer("del x[random.choice(list(x.keys()))]",   # 这里同样用了random模块
               "from __main__ import random, x")
    dt = t2.timeit(number=1000)
    print("%d %10.7f %10.7f" % (i, lt, dt))

执行结果：

结论：结果发现，虽然同样执行时间会抽风（可能跟计算机现在执行的其他程序的影响），但总体上列表和字典随机删除元素的操作的时间复杂度为O(n)，且字典的时间复杂度随着问题规模的增大，两者相差的倍数也越大，且字典永远是最大的一个。事实是在问题规模为400000时，字典的执行时间已经超过4s了！

总体代码：

from timeit import Timer
from random

# 针对列表和字典比较del操作的性能
print("i     del lst[-1]  del dic[end]")
for i in range(10000, 1000001, 20000):
    t1 = Timer("del x[-1]",
               "from __main__ import x")
    x = list(range(i))
    lt = t1.timeit(number=1000)
    x = {j: None for j in range(i)}
    lst = list(x.keys())
    t = Timer("del x[lst[-1]]; lst.pop()",
              "from __main__ import x, lst")
    dt = t.timeit(number=1000)
    print("%d %10.5f %10.5f" % (i, lt, dt))
print()

# del 整个对象
print("i     del lst  del dic")
for i in range(10000, 1000001, 20000):
    t = Timer("del x",
              "from __main__ import x")
    x = list(range(i))
    lt = t.timeit(number=1)
    x = {j: None for j in range(i)}
    dt = t.timeit(number=1)
    print("%d %10.7f %10.7f" % (i, lt, dt))
print()

# del 随机索引
print("i     del lst[random]  del dic[random]")
for i in range(10000, 1000001, 20000):
    x = list(range(i))
    t1 = Timer("del x[%d]" % random.randint(0, len(x)-1),
               "from __main__ import x")
    lt = t1.timeit(number=1000)
    x = {j: None for j in range(i)}
    t2 = Timer("del x[random.choice(list(x.keys()))]",
               "from __main__ import random, x")
    dt = t2.timeit(number=1000)
    print("%d %10.7f %10.7f" % (i, lt, dt))

       最后值得说的就是几乎所有计算机老师都会说的，就是你的执行结果不一定跟我一样，请以自身所得结果为衡量标准。

参考文献

[1]《Python数据结构与算法分析》