为什么 itertools.chain 比展平列表理解更快？

Question

在 this question 的评论中的讨论上下文中提到，虽然连接字符串序列只需要 ''.join([str1, str2, ...])，但连接列表序列就像 [=13] =]，尽管你也可以使用像 [x for y in [lst1, lst2, ...] for x in y] 这样的列表理解。令我惊讶的是，第一种方法始终比第二种方法快：

import random
import itertools

random.seed(100)
lsts = [[1] * random.randint(100, 1000) for i in range(1000)]

%timeit [x for y in lsts for x in y]
# 39.3 ms ± 436 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit list(itertools.chain.from_iterable(lsts))
# 30.6 ms ± 866 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit list(x for y in lsts for x in y)  # Proposed in comments
# 62.5 ms ± 504 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
# Loop-based methods proposed in the comments
%%timeit
a = []
for lst in lsts: a += lst
# 26.4 ms ± 634 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%%timeit
a = []
for lst in lsts: a.extend(lst)
# 26.7 ms ± 728 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

不是数量级的差别，但也不是可以忽略不计的。我想知道情况如何，因为列表理解通常是解决给定问题的最快方法之一。起初我以为 itertools.chain 对象可能会有一个 len ， list 构造函数可以使用它来预分配必要的内存，但事实并非如此（不能调用 len 在 itertools.chain 个对象上）。某种自定义 itertools.chain 到 list 的转换是以某种方式发生的还是 itertools.chain 利用了其他机制？

在 Python 3.6.3 的 Windows 10 x64 上测试过，如果相关的话。

编辑：

似乎最快的方法毕竟是调用 .extend 每个列表的空列表，正如 @zwer 所建议的，可能是因为它适用于 "chunks" 数据而不是基于每个元素。

Answer 1

这里是itertools.chain.from_iterable。即使您不了解 C 也不难阅读，并且您可以看出一切都发生在 c 级别（在用于在代码中生成列表之前）。

列表理解的字节码是这样的：

def f(lsts):
    return [x for y in lsts for x in y]

dis.dis(f.__code__.co_consts[1])
  2           0 BUILD_LIST               0
              2 LOAD_FAST                0 (.0)
        >>    4 FOR_ITER                18 (to 24)
              6 STORE_FAST               1 (y)
              8 LOAD_FAST                1 (y)
             10 GET_ITER
        >>   12 FOR_ITER                 8 (to 22)
             14 STORE_FAST               2 (x)
             16 LOAD_FAST                2 (x)
             18 LIST_APPEND              3
             20 JUMP_ABSOLUTE           12
        >>   22 JUMP_ABSOLUTE            4
        >>   24 RETURN_VALUE

这些是创建列表理解所涉及的所有 python 解释器操作。只需在 C 级别（在 chain 中）执行所有操作，而不是让解释器跨过每个字节代码步骤（在理解中），就能提高性能。

不过，这个提升太小了，我不担心。这是python，可读性高于速度。

编辑：

对于列表包装的生成器理解

def g(lists):
    return list(x for y in lsts for x in y)

# the comprehension
dis.dis(g.__code__.co_consts[1])
  2           0 LOAD_FAST                0 (.0)
        >>    2 FOR_ITER                20 (to 24)
              4 STORE_FAST               1 (y)
              6 LOAD_FAST                1 (y)
              8 GET_ITER
        >>   10 FOR_ITER                10 (to 22)
             12 STORE_FAST               2 (x)
             14 LOAD_FAST                2 (x)
             16 YIELD_VALUE
             18 POP_TOP
             20 JUMP_ABSOLUTE           10
        >>   22 JUMP_ABSOLUTE            2
        >>   24 LOAD_CONST               0 (None)
             26 RETURN_VALUE

因此解释器在运行生成器表达式被列表解包时需要执行类似数量的步骤，但是正如您所期望的那样， python 级别的开销 list 解压缩生成器（与 C LIST_APPEND 指令相反）是减慢速度的原因。

dis.dis(f)
  2           0 LOAD_CONST               1 (<code object <listcomp> at 0x000000000FB58B70, file "<ipython-input-33-1d46ced34d66>", line 2>)
              2 LOAD_CONST               2 ('f.<locals>.<listcomp>')
              4 MAKE_FUNCTION            0
              6 LOAD_FAST                0 (lsts)
              8 GET_ITER
             10 CALL_FUNCTION            1
             12 RETURN_VALUE

dis.dis(g)
  2           0 LOAD_GLOBAL              0 (list)
              2 LOAD_CONST               1 (<code object <genexpr> at 0x000000000FF6F420, file "<ipython-input-40-0334a7cdeb8f>", line 2>)
              4 LOAD_CONST               2 ('g.<locals>.<genexpr>')
              6 MAKE_FUNCTION            0
              8 LOAD_GLOBAL              1 (lsts)
             10 GET_ITER
             12 CALL_FUNCTION            1
             14 CALL_FUNCTION            1
             16 RETURN_VALUE

为什么 itertools.chain 比展平列表理解更快？

Why is itertools.chain faster than a flattening list comprehension?

python

list-comprehension

flatten

itertools