承上：python的filter。
大胆假设，小心求证，结果如下。
import time
from functools import reduce
def costTime( fun ):
def w( *args, **kwargs ):
name = getattr( *args, '__name__' )
fb = time.process_time()
ret = fun( *args, **kwargs )
fe = time.process_time()
print( name, 'cost seconds=', round( fe - fb, 5 ) )
return ret
return w
listA = [ 1,2,3,4,5,6,7,8,9,10 ] * 10
def forA( listSrc ):
res = 0
for x in listSrc:
res += 2 * x
return res
def forC( listSrc ):
res = 0
for i in range( len(listSrc) ):
res += 2 * listSrc[i]
return res
def reduceF( listSrc ):
return reduce( lambda x,y : x+2*y, listSrc, 0 )
def forMap( listSrc ):
res = []
for x in listSrc:
res.append( x*x )
return res
def listMap( listSrc ):
return [ x*x for x in listSrc ]
def mapF( listSrc ):
return list( map( lambda x:x*x, listSrc ) )
@costTime
def testFun( fun ):
i = 0
while i<1000000:
fun( listA )
i = i+1
if __name__ == '__main__':
testFun( forA )
testFun( forC )
testFun( reduceF )
testFun( forMap )
testFun( listMap )
testFun( mapF )
时间消耗：
-
reduce对比
- forA cost seconds= 6.78125
- forC cost seconds= 9.71875
- reduceF cost seconds= 14.45312
-
map对比
- forMap cost seconds= 10.76562
- listMap cost seconds= 5.53125
- mapF cost seconds= 12.90625
验证的情况基本符合猜想。
简单总结一下：
- 列表推导式最快，写起来也简单。能用列表推导式写就不要用filter、map了。不过map和for循环的差距，没有filter和for循环的那么大。
- 对于reduce，无法构造同等作用的列表推导式。for循环比reduce几乎快一半，就是写起来稍微啰嗦一点。
- for循环中，尽量别使用下标模式。
验证环境：win10 + python 3.7.1
