Question

使用高阶函数＆amp; Lambdas让运行时间和时间记忆效率更好还是更差？例如，要将列表中的所有数字相乘：

nums = [1,2,3,4,5]
prod = 1
for n in nums:
    prod*=n

VS

prod2 = reduce(lambda x,y:x*y , nums)

除了较少的代码行/使用功能方法之外，HOF版本是否比循环版本有任何优势？

修改

我无法将此作为答案添加，因为我没有所需的声誉。我绑定了循环和放大器使用@ DSM

建议的timeit的HOF方法

def test1():         
    s= """
    nums = [a for a in range(1,1001)] 
    prod = 1 
    for n in nums:
        prod*=n
    """            
    t = timeit.Timer(stmt=s)
    return t.repeat(repeat=10,number=100)    

def test2():
    s="""
    nums = [a for a in range(1,1001)]     
    prod2 = reduce(lambda x,y:x*y , nums)
    """
    t = timeit.Timer(stmt=s)
    return t.repeat(repeat=10,number=100)

这是我的结果：

Loop:
[0.08340786340144211, 0.07211491653462579, 0.07162720686361926, 0.06593182661083438, 0.06399049758613146, 0.06605228229559557, 0.06419744588664211, 0.0671893658461038, 0.06477527090075941, 0.06418023793167627]
test1 average: 0.0644778902685
HOF:
[0.0759414223099324, 0.07616920129277016, 0.07570730355421262, 0.07604965128984942, 0.07547092059389193, 0.07544737286604364, 0.075532959799953, 0.0755039779810629, 0.07567424616704144, 0.07542563650187661]
test2 average: 0.0754917512762

平均循环方法似乎比使用HOF更快。

Answer 1

高阶函数可以非常快。

例如，map(ord, somebigstring) 比同等列表理解[ord(c) for c in somebigstring]更快。前者获胜有三个原因：

map（）将结果字符串预先调整为 somebigstring 的长度。相比之下，list-comprehension在增长时必须多次调用 realloc（）。

map（）只需对 ord 进行一次查找，首先检查全局变量，然后在内置函数中检查并查找它。列表理解必须在每次迭代时重复这项工作。

地图的内部循环以C速度运行。列表推导的循环体是一系列纯Python步骤，每个步骤都需要由eval-loop调度或处理。

以下是确认预测的一些时间：

>>> from timeit import Timer >>> print min(Timer('map(ord, s)', 's="x"*10000').repeat(7, 1000)) 0.808364152908 >>> print min(Timer('[ord(c) for c in s]', 's="x"*10000').repeat(7, 1000)) 1.2946639061

Answer 2

从我的经验循环可以非常快速地做事，只要它们没有嵌套得太深，并且具有复杂的高级数学运算，对于简单的操作和单层循环它可以像任何其他方式一样快，可能更快，只要只使用整数作为循环或循环的索引，它实际上取决于你正在做什么

同样可能的是，高阶函数将产生尽可能多的循环作为循环程序版本，甚至可能会慢一点，你必须给他们两个时间......只是为了确定。

高阶函数vs循环 - 运行时间＆amp;记忆效率？

2 个答案: