更多代碼行是否意味著性能降低的問題是有缺陷的，因?yàn)閮烧叨疾皇?code>less lines ≠ performance ≠ more lines。性能取決于 Python 代碼如何解析為執(zhí)行它的底層 C 函數(shù)調(diào)用，這主要是解析器/解釋器的實(shí)現(xiàn)細(xì)節(jié)，與行數(shù)沒有一一對應(yīng)。
也就是說，在選擇循環(huán)、列表理解和映射時(shí)需要考慮以下幾點(diǎn)。
當(dāng)代碼的目的是創(chuàng)建某個(gè)內(nèi)容的列表時(shí)，列表推導(dǎo)式通常比循環(huán)更快。據(jù)我所知，這與第二次調(diào)用追加方法有關(guān)，而且因?yàn)樵隽苛斜順?gòu)造可能會導(dǎo)致列表大小調(diào)整，從而導(dǎo)致一些內(nèi)存重新分配開銷。
無論在哪里調(diào)用，調(diào)用 python 函數(shù)都是一個(gè)緩慢的操作。引用這個(gè)偉大的答案：A function call needs to manipulate the stack, pushing the local frame onto it, creating a new frame, then clear it all up again when the function returns.一個(gè)例外是用 C 編寫的函數(shù)，例如來自操作員模塊的函數(shù)，它們比本地 Python 對應(yīng)項(xiàng)稍快。
也就是說，我已經(jīng)使用與此類似的代碼進(jìn)行了一些分析，并且我的測試表明循環(huán)是最慢的選項(xiàng)。有趣的是，測試還表明地圖比列表理解稍快（與鏈接的答案相反）。代碼及結(jié)果如下：
ls = list(range(1000000))
def f(x):
? ? return x+1
def list_comprehension(ls):
? ? return [f(x) for x in ls]
def for_loop(ls):
? ? arr = []
? ? for x in ls:
? ? ? ? arr.append(f(x))
? ? return arr
def map_(ls):
? ? return list(map(f, ls))
if __name__ == "__main__":
? ? import cProfile
? ? for fn in [list_comprehension, for_loop, map_]:
? ? ? ? print('=' * 25)
? ? ? ? print("Profiling:", fn.__name__)
? ? ? ? print('=' * 25)
? ? ? ? pr = cProfile.Profile()
? ? ? ? for i in range(1000):
? ? ? ? ? ? pr.runcall(fn, ls)
? ? ? ? pr.create_stats()
? ? ? ? pr.print_stats()
# Output
=========================
Profiling: list_comprehension
=========================
? ? ? ? ?1000003000 function calls in 235.641 seconds
? ?Ordered by: standard name
? ?ncalls? tottime? percall? cumtime? percall filename:lineno(function)
1000000000? 104.000? ? 0.000? 104.000? ? 0.000 aa.py:5(f)
? ? ?1000? ? 0.008? ? 0.000? 235.640? ? 0.236 aa.py:8(list_comprehension)
? ? ?1000? 131.632? ? 0.132? 235.632? ? 0.236 aa.py:9(<listcomp>)
? ? ?1000? ? 0.001? ? 0.000? ? 0.001? ? 0.000 {method 'disable' of '_lsprof.Profiler' objects}
=========================
Profiling: for_loop
=========================
? ? ? ? ?2000002000 function calls in 410.884 seconds
? ?Ordered by: standard name
? ?ncalls? tottime? percall? cumtime? percall filename:lineno(function)
? ? ?1000? 242.083? ? 0.242? 410.883? ? 0.411 aa.py:11(for_loop)
1000000000? 107.727? ? 0.000? 107.727? ? 0.000 aa.py:5(f)
1000000000? ?61.073? ? 0.000? ?61.073? ? 0.000 {method 'append' of 'list' objects}
? ? ?1000? ? 0.001? ? 0.000? ? 0.001? ? 0.000 {method 'disable' of '_lsprof.Profiler' objects}
=========================
Profiling: map_
=========================
? ? ? ? ?1000002000 function calls in 205.035 seconds
? ?Ordered by: standard name
? ?ncalls? tottime? percall? cumtime? percall filename:lineno(function)
? ? ?1000? 102.451? ? 0.102? 205.034? ? 0.205 aa.py:17(map_)
1000000000? 102.583? ? 0.000? 102.583? ? 0.000 aa.py:5(f)
? ? ?1000? ? 0.001? ? 0.000? ? 0.001? ? 0.000 {method 'disable' of '_lsprof.Profiler' objects}
無論如何，在這種情況下最好的辦法是寫下所有不同的版本并自己進(jìn)行分析，而不是依賴一般假設(shè)。
