理解和功能函数比“for循环”更快？
就Python的性能而言，它是一种列表理解，还是比for循环更快的功能，如map（），filter（）和reduce（）？ 为什么在技术上他们“以C速度运行”，而“for循环以python虚拟机速度运行”？
假设在我正在开发的游戏中，我需要使用for循环绘制复杂而庞大的地图。 这个问题肯定是相关的，因为如果列表理解确实比较快，那么为了避免滞后（尽管代码的视觉复杂性），这将是一个更好的选择。
以下是基于经验的粗略指导和受过教育的猜测。 你应该timeit或配置您的具体用例来获得实实在在的数字，这些数字可能偶尔与下面的同意。
列表理解通常比精确等价for循环（实际构建列表）要快一点点，这很可能是因为它不必在每次迭代中查找列表及其append方法。 但是，列表理解仍然会执行字节码级循环：
>>> dis.dis(<the code object for `[x for x in range(10)]`>)
1 0 BUILD_LIST 0
3 LOAD_FAST 0 (.0)
>> 6 FOR_ITER 12 (to 21)
9 STORE_FAST 1 (x)
12 LOAD_FAST 1 (x)
15 LIST_APPEND 2
18 JUMP_ABSOLUTE 6
>> 21 RETURN_VALUE
由于创建和扩展列表的开销，使用列表理解代替不构建列表的循环，无意义地累积无意义值的列表，然后将列表丢弃，往往会更慢。 列表理解本身并不比旧的循环更快。
至于函数列表处理函数：虽然这些函数是用C语言编写的，并且可能优于用Python编写的等效函数，但它们并不一定是最快的选项。 如果函数用C语言编写，则预计会加速一些。 但大多数情况下使用lambda （或其他Python函数），重复设置Python堆栈帧等的开销会节省任何费用。 简单地做同样的工作，没有函数调用（例如列表理解而不是map或filter ）通常稍微快一点。
假设在我正在开发的游戏中，我需要使用for循环绘制复杂而庞大的地图。 这个问题肯定是相关的，因为如果列表理解确实比较快，那么为了避免滞后（尽管代码的视觉复杂性），这将是一个更好的选择。
很有可能，如果这样的代码在编写好的非“优化”Python时速度还不够快，那么没有任何一个Python级别的微型优化能够使它足够快，并且你应该开始考虑下降到C。微型优化通常可以大大加快Python代码的速度，对此有一个较低的（绝对值）限制。 而且，即使在你达到天花板之前，它也变得更具成本效益（15％的加速比300％的加速度，同样的努力）咬住子弹并写出一些C.
如果你检查python.org上的信息，你可以看到这个总结：
Version Time (seconds)
Basic loop 3.47
Eliminate dots 2.45
Local variable & no dots 1.79
Using map function 0.54
但是您应该详细阅读上述文章，以了解性能差异的原因。
我也强烈建议你应该使用timeit来计算你的代码。 在一天结束时，可能会出现这样的情况，例如，您可能需要在满足条件时跳出for循环。 它可能比通过调用map查找结果更快。
你具体询问map（），filter（）和reduce（），但是我想你一般都想知道函数式编程。 在测试了一组点之间所有点之间距离的问题之后，函数式编程（使用来自内置itertools模块的starmap函数）结果比for-loops稍慢（以1.25倍的长度， 事实上）。 以下是我使用的示例代码：
import itertools, time, math, random
class Point:
def __init__(self,x,y):
self.x, self.y = x, y
point_set = (Point(0, 0), Point(0, 1), Point(0, 2), Point(0, 3))
n_points = 100
pick_val = lambda : 10 * random.random() - 5
large_set = [Point(pick_val(), pick_val()) for _ in range(n_points)]
# the distance function
f_dist = lambda x0, x1, y0, y1: math.sqrt((x0 - x1) ** 2 + (y0 - y1) ** 2)
# go through each point, get its distance from all remaining points
f_pos = lambda p1, p2: (p1.x, p2.x, p1.y, p2.y)
extract_dists = lambda x: itertools.starmap(f_dist,
itertools.starmap(f_pos,
itertools.combinations(x, 2)))
print('Distances:', list(extract_dists(point_set)))
t0_f = time.time()
list(extract_dists(large_set))
dt_f = time.time() - t0_f
功能版本比程序版本更快吗？
def extract_dists_procedural(pts):
n_pts = len(pts)
l = []
for k_p1 in range(n_pts - 1):
for k_p2 in range(k_p1, n_pts):
l.append((pts[k_p1].x - pts[k_p2].x) ** 2 +
(pts[k_p1].y - pts[k_p2].y) ** 2)
return l
t0_p = time.time()
list(extract_dists_procedural(large_set))
# using list() on the assumption that
# it eats up as much time as in the functional version
dt_p = time.time() - t0_p
f_vs_p = dt_p / dt_f
if f_vs_p >= 1.0:
print('Time benefit of functional progamming:', f_vs_p,
'times as fast for', n_points, 'points')
else:
print('Time penalty of functional programming:', 1 / f_vs_p,
'times as slow for', n_points, 'points')
上一篇: comprehensions and functional functions faster than "for loops"?