我正在做一个非常简单的编码练习来比较Python中不同方法的运行时间。
任务：给定一个数字列表，方形并返回每个奇数 清单。
import timeit
# 1. functional sol
s161 = '''seq = range(1,10)
result = map(lambda x: x**2, filter(lambda x: x%2 !=0, seq))'''
u161= timeit.Timer(stmt=s161, setup='import numpy as np')
print u161.timeit(number = 10000)
>>>> 0.0283808019885
# 2. list comp sol!!! twice faster than map and filter
s162='''seq = range(1,10)
result2 = [j**2 for j in seq if j %2 != 0]
'''
u162= timeit.Timer(stmt=s162, setup='import numpy as np')
print u162.timeit(number = 10000)
>>>> 0.0124025493424
# 3. numpy sol (surprisingly the slowest
s163='''seq = np.array(range(1,10))
result3 =np.square(seq[seq%2 !=0])
'''
u163= timeit.Timer(stmt=s163, setup='import numpy as np')
print u163.timeit(number = 10000)
>>>> 0.0656246913131
所以就速度而言：列表理解＆gt;功能＆gt; Numpy矢量化。我本以为numpy解决方案是最快速的，功能性的解决方案和列表理解能够达成一致。我并没有真正调用np.append（），而是应用了矢量化操作。
anlaysis是否有效？如果是这样，你能否提供一些关于为什么列表理解最快的见解，并且numpy解决方案相对非常慢？
更新
根据评论，对于seq = range（10000），比较变为：
1. Functional = 1.87310951806
2. List Comprehension = 0.941395220259
3. Numpy = 0.670276152436
Numpy如预期的那样最快。我不确定为什么列表理解比map / filter快得多。