用时间测试:
$bin/python -mtimeit -n10000000 -s 'n = 1.345' 'int(n)'
10000000 loops, best of 3: 0.234 usec per loop
$bin/python -mtimeit -n10000000 -s 'n = 1.345' 'n // 1'
10000000 loops, best of 3: 0.218 usec per loop
所以地板部门只是一个较小的边缘.请注意,这些值非常接近,我不得不重新启动循环重复计数,以排除机器上的随机影响.即使有这么高的计数,你需要重复几次实验,看看数字还有多少,大多数时候出来的速度更快.
这是逻辑的,因为int()需要一个全局查找和一个函数调用(所以state被推和弹出):
>>> import dis
>>> def use_int(n):
... return int(n)
...
>>> def use_floordiv(n):
... return n // 1
...
>>> dis.dis(use_int)
2 0 LOAD_GLOBAL 0 (int)
3 LOAD_FAST 0 (n)
6 CALL_FUNCTION 1
9 RETURN_VALUE
>>> dis.dis(use_floordiv)
2 0 LOAD_FAST 0 (n)
3 LOAD_CONST 1 (1)
6 BINARY_FLOOR_DIVIDE
7 RETURN_VALUE
LOAD_GLOBAL和CALL_FUNCTION操作码比LOAD_CONST和BINARY_FLOOR_DIVIDE操作码慢; LOAD_CONST是一个简单的数组查找,LOAD_GLOBAL需要做一个字典查找.
将int()绑定到本地名称可以产生一个小的差异,再次赋予它的边缘(因为它要比// 1楼部分更少的工作):
$bin/python -mtimeit -n10000000 -s 'n = 1.345' 'int(n)'
10000000 loops, best of 3: 0.233 usec per loop
$bin/python -mtimeit -n10000000 -s 'n = 1.345; int_=int' 'int_(n)'
10000000 loops, best of 3: 0.195 usec per loop
$bin/python -mtimeit -n10000000 -s 'n = 1.345' 'n // 1'
10000000 loops, best of 3: 0.225 usec per loop
再次,你需要运行这个1000万个循环,以一致地看到差异.
也就是说,int(n)是非常明确的,除非你在一个时间紧迫的循环中这样做,所以int(n)在n // 1中以可读性获胜.时间差异太小,不能使认知成本必须弄清楚//这里有什么值得.