循环结构中的加速

Question

当我以不同的方式构建列表时，我注意到了一些有趣的行为。 .append花费的时间比列表解析，这需要比map长更长的时间，如下面的实验：

def square(x): return x**2 

def appendtime(times=10**6): 
    answer = [] 
    start = time.clock() 
    for i in range(times): 
    answer.append(square(i)) 
    end = time.clock() 
    return end-start 

def comptime(times=10**6): 
    start = time.clock() 
    answer = [square(i) for i in range(times)] 
    end = time.clock() 
    return end-start 

def maptime(times=10**6): 
    start = time.clock() 
    answer = map(square, range(times)) 
    end = time.clock() 
    return end-start 

for func in [appendtime, comptime, maptime]: 
    print("%s: %s" %(func.__name__, func())) 

的Python 2.7：

appendtime: 0.42632 
comptime: 0.312877 
maptime: 0.232474 

的Python 3.3.3：

appendtime: 0.614167 
comptime: 0.5506650000000001 
maptime: 0.57115 

现在，我非常清楚python 2.7中的range会建立一个列表，所以我得到为什么在相应函数的时间之间存在差距python 2.7和3.3。我更关心的是append，列表理解和map之间的相对时间差异。首先，我认为这可能是因为map和列表解析可以让解释者知道结果列表的最终大小，这将允许解释器malloc一个足够大的C数组来存储这个数组，名单。按照这个逻辑，列表解析和map应该花费几乎相同的时间量。但是，时序数据显示在python 2.7中，listcomps的速度是〜1.36x的一样快，与append一样快，map的速度是listcomps的1.34倍。
更奇怪的是，在python 3.3中，listcomps的速度是append的1.12倍，而map实际上比listcomps的要慢。

很明显，map和listcomps不“玩相同的规则”;很明显，地图利用了列表广告所不具备的功能。
有没有人可以揭示这些时间价值差异背后的原因？

Answer 1

首先，在python3.x中，map返回一个iterable，不是一个列表，因此解释了那里的50kx加速。为了使它成为一个公平的时机，在python3.x中，你需要list(map(...))。

其次，.append会比较慢，因为每次通过循环，解释器需要查找列表，然后它需要在列表中查找append函数。这个额外的.append查找不需要与list-comp或map一起发生。

最后，在列表理解的情况下，我认为在循环的每一个回合都需要查看函数square。使用地图时，只有当你打电话给地图时才会抬头，这就是为什么如果你在列表理解中调用一个函数，map通常会更快。请注意，虽然列表理解通常击败map与lambda功能。