python2的n次方代码_关于python：*与**的2次幂运算

本问题已经有最佳答案，请猛点这里访问。

所以我一直在看到人们写代码，当他们希望看到给定值的平方形式时，他们会写出x * x而不是x ** 2。 这两个点之间是否存在很大的效率重叠，是不是仅使用了python中的给定函数，还是仅仅是一个风格上的点？ 我宁愿使用**运算符，但是如果它会引起极大的失误，我是否应该执行该操作十亿次，我知道的太多了，我有点想知道。 同样，如果我在数量上误认为一个可以接管另一个，那么我也想对此进行更正。 即，如果**比x * x更有效，那么我也想知道为什么。

我猜人们使用x*x而不是x**2，因为它在所有语言中均有效，而x**2在Java / C / C ++中则无效。 所以我想大多数例子的原因都是无知。 我很想知道是否存在效率差异/数值差异。

我不同意g.d.d.c，乘法要快得多！

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30"""Evaluating the difference in execution time between n*n and n**2"""

from time import time

n = 2

t = time()

for i in range(5000000):

n**2

print("Time for n**2:\t%0.3f" % (time()-t))

t = time()

for i in range(5000000):

n*n

print("Time for n*n:\t%0.3f" % (time()-t))

def test(n):

"""

Difference in execution time between n*n and n**2

within function scope.

"""

t = time()

for i in range(5000000):

n**2

print("Time for n**2:\t%0.3f" % (time()-t))

t = time()

for i in range(5000000):

n*n

print("Time for n*n:\t%0.3f" % (time()-t))

test(n)

结果：

1

2

3

4Time for n**2: 2.324496030807495

Time for n*n: 0.5879969596862793

Time for n**2: 2.0771241188049316

Time for n*n: 0.2894318103790283

您可以看到，函数外的乘法运算速度大约快4倍，而函数外的运算速度快7倍。 我无法解释这两个测试之间的区别，也不确定n * n和n ** 2之间的区别，但这可能与Python是一种解释型语言有关，而后者的处理则需要花费一定的时间。 如gddc所示，即使处理器操作非常相似，也需要更多时间。

如果它在一个函数中或在一个函数之外，为什么会有所不同(如此巨大！)？

@moose：最有可能是因为全局变量查找是字典查找，而局部变量查找正在索引数组。

现在我有点困惑了，我发现实际上它确实考虑到了巨大的速度差异，这代表了我的初衷。我不认为这会有很大的不同，也不会导致在函数范围之内或之外。有时候这种奇怪的语言。

@ user2357112你说的很有趣，请您进一步解释一下？我虽然locals()返回了dict以及globals()…

同样，看起来您在Python 3上计时了，而另一个人在Python 2上计时。在这种情况下，Python 3s的bignum指数运算比Python 2s的指数运算差很多。在Python 2上，n**2和n*n的计时几乎相同，如其他答案所示。

@Labo：locals()返回一个dict，但是Python实际上并不将该dict用于局部变量查找。这就是文档说不修改字典的原因之一；它不会影响局部变量的值。

顺便说一句，您使用的是哪个Python 3版本？我对ideone(Python 3是Python 3.4)的测试表明，与乘法相比，幂运算性能有了显着提高。

Python 3.4.3，但3或4几乎相同…

+1代表代码；但您还应该进行切换实验：只需切换n*n和n**2的代码块。特别是对于"全局实验"，您会注意到这有所作为。

实际上，两者的总成本可能非常相似：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21>>> def s1(x):

... return x * x

...

>>>

>>> def s2(x):

... return x ** 2

...

>>>

>>> from dis import dis

>>>

>>> dis(s1)

2 0 LOAD_FAST 0 (x)

3 LOAD_FAST 0 (x)

6 BINARY_MULTIPLY

7 RETURN_VALUE

>>> dis(s2)

2 0 LOAD_FAST 0 (x)

3 LOAD_CONST 1 (2)

6 BINARY_POWER

7 RETURN_VALUE

>>>

我认为您可能过早地进行了优化，即使对于数百万或数十亿次的迭代也是如此。 除非您已将此视为瓶颈，否则请使用最适合您的用法。

并且，为完整起见，timeit结果：

1

2

3

4>>> timeit.Timer("s1(10)", 'from __main__ import s1').timeit(100000)

0.0186597650628606

>>> timeit.Timer("s2(10)", 'from __main__ import s2').timeit(100000)

0.018789616358585448

这似乎表明x * x在100000次迭代中的速度如此之快。

因此，它本身只是一个样式概念。我一直以为这只是c语言中pow()函数的一部分，因为它进行了函数调用，所以我看到了使用该语言的需要，但是在python中，因为它是内置的。我只是不明白为什么不使用它它。在我看来，只要操作员是已知和理解的，它比其他方法更具表达力。谢谢您的帮助。

对于10e6，它就是那个值，但是它的时间复杂度会成倍增长还是持续增长？我知道在宏伟的计划中，这没什么大不了的，但要做Project Euler Problems，自学Python语言，甚至四分之一秒的时间也让我有些困惑。

没事求幂比常规CPU上的乘法慢得多。您的基准测试没有显示这一点，因为时间是由函数调用(我猜测)或其他动态Python恶作剧的成本所决定的。在编译语言中，差异是巨大的。即使在Python中，我也可以想象在没有函数调用的情况下，它在紧密循环中也有很大的不同，但我没有进行基准测试。无论如何，这(很不幸)与许多应用程序的过早优化相去甚远。

@KonradRudolph：它不是CPU的东西； Python int指数运算不会调用任何CPU指数指令。其所有软件。在Python 2中，即使剥离了函数调用，由于所有其他开销，两者之间的差异约为6％。在Python 3中，相差约为3倍，因为bignum指数代码也无法处理问题。

@ user2357112我看不出这会使事情变得更好。与乘法相比，在软件中实现幂运算会使速度变慢。您的基准测试不足以显示这种差异，因为操作太快，并且计时器的精度相对太低。