Question

在讨论问题Exponentials in python x.**y vs math.pow(x, y)时， Alfe stated在python中使用math.pow而不是内置**运算符是没有充分理由的。

timeit表明math.pow在所有情况下都比**慢。 math.pow（）究竟是什么好事？有人知道它可以带来什么优势吗？

我们试图用一些timeit论证说服对方到目前为止他是赢家;-) - 至少以下timeit结果，似乎验证了 {{1 }}

math.pow is slower than ** in all cases

输出：

import timeit
print timeit.timeit("math.pow(2, 100)",setup='import math')
print timeit.timeit("2.0 ** 100.0")
print timeit.timeit("2 ** 100")
print timeit.timeit("2.01 ** 100.01")

（ideone-shortcut）

对于我们观察到的差异^[1]，是否有一个简单的解释？

^[1] 0.329639911652 0.0361258983612 0.0364260673523 0.0363788604736和math.pow的表现相差一个数量级。

编辑：

文字参数而不是标题中的变量
明确指出差异程度的脚注

Answer 1

基本上，幂函数看起来在你的例子中做得很好的原因是因为Python很可能在编译时folded the constant。

import dis
dis.dis('3.0 ** 100')    
i = 100
dis.dis('3.0 ** i')

这给出了以下输出：

  1           0 LOAD_CONST               2 (5.153775207320113e+47)
              3 RETURN_VALUE
  1           0 LOAD_CONST               0 (3.0)
              3 LOAD_NAME                0 (i)
              6 BINARY_POWER
              7 RETURN_VALUE

你可以在这里看到这个：http://ideone.com/5Ari8o

因此，在这种情况下，您可以看到它实际上没有对幂运算符与math.pow的性能进行公平比较，因为结果已经预先计算然后缓存。在进行3.0 ** 100时，没有执行任何计算，结果只是返回。这可能比在运行时执行的任何取幂操作快得多。这最终解释了您的结果。

为了更公平地比较，您需要使用变量强制计算在运行时发生：

print timeit.timeit("3.0 ** i", setup='i=100')

我尝试使用我的计算机上的python 3.4.1为此做一个快速的基准测试：

import timeit
trials = 1000000
print("Integer exponent:")
print("pow(2, 100)")
print(timeit.timeit(stmt="pow(2, 100)", number=trials))
print("math.pow(2, 100)")
print(timeit.timeit(stmt="m_pow(2, 100)", setup='import math; m_pow=math.pow', number=trials))
print("2 ** 100")
print(timeit.timeit(stmt="2 ** i", setup='i=100', number=trials))
print("2.0 ** 100")
print(timeit.timeit(stmt="2.0 ** i", setup='i=100', number=trials))
print("Float exponent:")
print("pow(2.0, 100.0)")
print(timeit.timeit(stmt="pow(2.0, 100.0)", number=trials))
print("math.pow(2, 100.0)")
print(timeit.timeit(stmt="m_pow(2, 100.0)", setup='import math; m_pow=math.pow', number=trials))
print("2.0 ** 100.0")
print(timeit.timeit(stmt="2.0 ** i", setup='i=100.0', number=trials))
print("2.01 ** 100.01")
print(timeit.timeit(stmt="2.01 ** i", setup='i=100.01', number=trials))

结果：

Integer exponent:
pow(2, 100)
0.7596459520525322
math.pow(2, 100)
0.5203307256717318
2 ** 100
0.7334983742808263
2.0 ** 100
0.30665244505310607
Float exponent:
pow(2.0, 100.0)
0.26179656874310275
math.pow(2, 100.0)
0.34543158098034743
2.0 ** 100.0
0.1768205988074767
2.01 ** 100.01
0.18460920008178894

所以看起来转换为浮动会占用相当多的执行时间。

我还为math.pow添加了基准，请注意此功能与内置pow不同，请参阅此内容以获取更多信息：Difference between the built-in pow() and math.pow() for floats, in Python?

为什么2 ** 100比math.pow（2,100）快得多？

1 个答案: