實(shí)驗(yàn)結(jié)論
- 如果需要在循環(huán)結(jié)束后獲得結(jié)果，推薦列表解析；
- 如果不需要結(jié)果，直接使用for循環(huán), 列表解析可以備選;
- 除了追求代碼優(yōu)雅和特定規(guī)定情境，不建議使用map
如果不需要返回結(jié)果
這里有三個(gè)process, 每個(gè)任務(wù)將通過(guò)增加循環(huán)提高時(shí)間復(fù)雜度
def process1(val, type=None): chr(val % 123) def process2(val, type): if type == "list": [process1(_) for _ in range(val)] elif type == "for": for _ in range(val): process1(_) elif type == "map": list(map(lambda _: process1(_), range(val))) def process3(val, type): if type == "list": [process2(_, type) for _ in range(val)] elif type == "for": for _ in range(val): process2(_, type) elif type == "map": list(map(lambda _: process2(_, type), range(val)))
然后通過(guò)三種循環(huán)方式，去依次執(zhí)行三種任務(wù)
def list_comp(): [process1(i, "list") for i in range(length)] # [process2(i, "list") for i in range(length)] # [process3(i, "list") for i in range(length)] def for_loop(): for i in range(length): process1(i, "for") # process2(i, "for") # process3(i, "for") def map_exp(): list(map(lambda v: process1(v, "map"), range(length))) # list(map(lambda v: process2(v, "map"), range(length))) # list(map(lambda v: process3(v, "map"), range(length)))
從上述的圖像中，可以直觀的看到， 隨著任務(wù)復(fù)雜度的提高以及數(shù)據(jù)量的增大，每個(gè)循環(huán)完成需要的時(shí)間也在增加，
但是map方式花費(fèi)的時(shí)間明顯比其他兩種要更多。 所以在不需要返回處理結(jié)果時(shí)，選擇標(biāo)準(zhǔn)for或者列表解析都可以。
因?yàn)闃?biāo)準(zhǔn)for循環(huán)和列表解析方式在循環(huán)任務(wù)復(fù)雜度逐漸提高的情況下，處理時(shí)間基本沒(méi)有差異。
需要返回結(jié)果
這里有三個(gè)task, 每個(gè)任務(wù)將通過(guò)增加循環(huán)提高時(shí)間復(fù)雜度
def task1(val, type=None): return chr(val % 123) def task2(val, type): if type == "list": return [task1(_) for _ in range(val)] elif type == "for": res = list() for _ in range(val): res.append(task1(_)) return res elif type == "map": return list(map(lambda _: task1(_), range(val))) def task3(val, type): if type == "list": return [task2(_, type) for _ in range(val)] elif type == "for": res = list() for _ in range(val): res.append(task2(_, type)) return res elif type == "map": return list(map(lambda _: task2(_, type), range(val)))
然后通過(guò)三種循環(huán)方式，去依次執(zhí)行三種任務(wù)
def list_comp(): # return [task1(i, "list") for i in range(length)] return [task2(i, "list") for i in range(length)] # return [task3(i, "list") for i in range(length)] def for_loop(): res = list() for i in range(length): # res.append(task1(i, "for")) res.append(task2(i, "for")) # res.append(task3(i, "for")) return res def map_exp(): # return list(map(lambda v: task1(v, "map"), range(length))) return list(map(lambda v: task2(v, "map"), range(length))) # return list(map(lambda v: task3(v, "map"), range(length)))
從上述的圖像中，可以直觀的看到， 隨著任務(wù)復(fù)雜度的提高以及數(shù)據(jù)量的增大，每個(gè)循環(huán)完成需要的時(shí)間也在增加，
但是明顯看出， 使用list_comp列表解析在， 循環(huán)需要返回處理結(jié)果的每次任務(wù)中都表現(xiàn)的很好，基本快于其他兩種迭代方式。
而標(biāo)準(zhǔn)for循環(huán)和map方式在循環(huán)任務(wù)復(fù)雜度逐漸提高的情況下，處理時(shí)間基本沒(méi)有差異。
為什么普遍認(rèn)為map比f(wàn)or快？
我認(rèn)為可能跟處理的數(shù)據(jù)量有關(guān)系，大部分場(chǎng)景下，使用者只測(cè)試了少量的數(shù)據(jù)（100W以下，比如這篇文章,就是數(shù)據(jù)量比較少，導(dǎo)致速度的區(qū)別不明顯），在少量的數(shù)據(jù)集下，我們確實(shí)看到了map方式比f(wàn)or循環(huán)快，甚至有時(shí)候比列表解析還稍微快一點(diǎn)，但是當(dāng)我們逐漸把數(shù)據(jù)量增加原來(lái)的100倍，這時(shí)候差距的凸現(xiàn)出來(lái)了。
如上圖，在小數(shù)據(jù)集上（100W-1KW之間）, 三者消耗的時(shí)間差不多相等，但是用map方式遍歷和處理，還是有一定的加速優(yōu)勢(shì)。
具體實(shí)驗(yàn)代碼可以通過(guò)Github獲得
以上就是python 為什么map比f(wàn)or循環(huán)快的詳細(xì)內(nèi)容，更多關(guān)于python map和for循環(huán)的資料請(qǐng)關(guān)注服務(wù)器之家其它相關(guān)文章！
原文鏈接：https://www.cnblogs.com/sight-tech/p/12987276.html
