Python 3 中循环、列表理解和映射的性能

Performance of loops, list comprehensions and maps in Python 3

如何正确比较 Python 3.6 中 for 循环、列表理解和映射的性能?

在下面的代码中,普通的旧 for 循环执行得很好(我使用 list() 从生成器中获取值)。我在这里做错了什么吗?结果与discussion on Python 2.

形成鲜明对比
import timeit

code_for = """
for i in range(1000):
    hex(i)
"""

code_map = """
list(map(hex, range(1000)))
"""

code_map_lambda = """
list(map(lambda x: hex(x), range(1000)))
"""

code_list_comprehension = """
[hex(x) for x in range(1000)]
"""

print(timeit.timeit(code_for, number=10000))
# 1.1155821208376437

print(timeit.timeit(code_map, number=10000))
# 0.8820606248918921

print(timeit.timeit(code_map_lambda, number=10000))
# 1.7510833400301635

print(timeit.timeit(code_list_comprehension, number=10000))
# 1.1798800542019308

更新:将元素添加到 code_for

中的列表
code_for_2 = """
a = [0] * 1000
for i in range(1000):
    a[i] = hex(i)
"""
# 1.243549756007269

code_for_3 = """
a = []
for i in range(1000):
    a.append(hex(i))
"""
# 1.5462996119167656    

一些提示:

  1. 为了清晰起见,将您的代码包装在函数中。
  2. 您在 code_for 中缺少列表创建和追加。这是使用显式 for 循环的大部分成本。
  3. 然后您可以使用 timeit,或者如果您有 Jupyter notebook,则可以使用神奇的 %timeit 命令。

如下所示,没有 lambdamap 表现最好,这是有道理的,因为 hex 是内置的。有关详细信息,请参阅 Python List Comprehension Vs. Map

def code_for(n):
    res = []
    for i in range(n):
        res.append(hex(i))
    return res

def code_map(n):
    return list(map(hex, range(n)))

def code_map_lambda(n):
    return list(map(lambda x: hex(x), range(n)))

def code_list_comprehension(n):
    return [hex(x) for x in range(n)]

%timeit code_for(10000)                 # 3.19 ms per loop
%timeit code_map(10000)                 # 1.69 ms per loop
%timeit code_map_lambda(10000)          # 3.06 ms per loop
%timeit code_list_comprehension(10000)  # 2.27 ms per loop