Question

创建列表时，我认为尽可能推荐理解，因为它最快。但是，请看。

In [1]: %timeit -n1000 [0]*1000000
1000 loops, best of 3: 2.3 ms per loop

In [2]: %timeit -n1000 [0 for _ in range(1000000)]
1000 loops, best of 3: 27.1 ms per loop

In [3]: a = np.zeros(1000000, dtype=int)

In [4]: %timeit -n1000 a.tolist()
1000 loops, best of 3: 7.93 ms per loop

即使numpy.ndarray.tolist也无法跟上乘法。那是为什么？

Answer 1

dis模块可用于比较前两种方法。

def list_mult():
    return [0]*1000000

dis.dis(list_mult)
#  2           0 LOAD_CONST               1 (0)
#              3 BUILD_LIST               1
#              6 LOAD_CONST               2 (1000000)
#              9 BINARY_MULTIPLY     
#             10 RETURN_VALUE

这里使用BINARY_MULTIPLY指令。另一方面......

def list_range():
    return [0 for _ in range(1000000)]

dis.dis(list_range)
# 2           0 BUILD_LIST               0
#             3 LOAD_GLOBAL              0 (range)
#             6 LOAD_CONST               1 (1000000)
#             9 CALL_FUNCTION            1
#            12 GET_ITER            
#       >>   13 FOR_ITER                12 (to 28)
#            16 STORE_FAST               0 (_)
#            19 LOAD_CONST               2 (0)
#            22 LIST_APPEND              2
#            25 JUMP_ABSOLUTE           13
#       >>   28 RETURN_VALUE

此函数显式构造一个循环，然后加载0并在每次迭代中将其附加到工作列表。这会慢得多。

应该注意 这两种构造方法不等同 ，特别是当列表中的值是可变的时。例如，[object()] * 10将为您提供10个相同对象的列表，而[object() for _ in range(10)]将为您提供10个不同对象的列表。

关于numpy示例，此操作是numpy的最坏情况。构造和转换numpy数组会有很多开销，因此矢量化操作可以很快（如注释中所述）。

Answer 2

在第一种情况下，python可以创建一个列表，其中所有的零引用相同的id。这很有效，因为原语是 literal ，但是如果你传递一个对象，它将无法正常工作。在这种情况下，每个元素实际上都是对同一对象的引用。

在range的情况下，正在进行函数调用，因此会产生更多的开销。

为什么列表乘法如此之快？

2 个答案: