问题描述
在考虑运行时（大O）和内存使用情况时，以下哪个代码效率更高？
代码1：
a = []
for item in some_data:
a.append(item.id)
# some other code
print(a)
案例2：
a = tuple()
for item in some_data:
a += (item.id,)
# some other code
print(a)
此处： some_data 可以是1或n个数据。
我的猜测是，代码2 是有效的，因为它使用的内存更少，并且可能在分配操作中从堆栈内存中存入/弹出数据。
我认为代码1 的效率较低，因为通常会列出分配的内存，并且在追加数据时必须在分配的内存超过时查找新的内存地址。
顺便说一句，我只是数据结构和算法的初学者，不知道python如何管理内存中的变量。
解决方法
考虑内存使用情况，我想说列表更好。
在线
a += (item.id,)
您基本上在做的是a = a + (item.id,)（我在做捷径，但有一些小差异。）
为此，有4个操作：
- 创建元组=>
(item.id,) - 合并2个元组=>
a + (item.id,)- 创建更大的元组
- 在内部插入
a - 在内部插入
(item.id,)
创建新对象（此处为元组）是最耗时的工作。每次迭代完成2次。
另一方面，添加列表！=创建一个新列表。因此，在具有列表的示例中，没有创建（a = []除外）
考虑执行时间：
In [1]: some_data = list(range(10000))
In [2]: %%timeit
a = tuple()
for item in some_data:
a += (item,)
Out[2]: 151 ms ± 1.49 ms per loop (mean ± std. dev. of 7 runs,10 loops each)
In [3]: %%timeit
a = []
for item in some_data:
a.append(item)
Out[3]: 406 µs ± 3.39 µs per loop (mean ± std. dev. of 7 runs,1000 loops each)
In [4]: %%timeit
a = [item for item in some_data]
Out[4]: 154 µs ± 392 ns per loop (mean ± std. dev. of 7 runs,10000 loops each)
所以列表理解比元组快1000倍。
,我为基准时间和内存使用量编写了简单的脚本。
import time
import functools
from memory_profiler import profile
def timer(func):
@functools.wraps(func)
def wrapper_timer(*args,**kwargs):
start_time = time.perf_counter()
value = func(*args,**kwargs)
end_time = time.perf_counter()
run_time = end_time - start_time
print(f"Finished {func.__name__!r} in {run_time:.4f} seconds")
return value
return wrapper_timer
LOOPS = 100000
@timer
def test_append():
sample = []
for i in range(LOOPS):
sample.append(i)
@timer
def test_tuple():
sample = tuple()
for i in range(LOOPS):
sample += (i,)
@profile(precision=2)
def main():
test_append()
test_tuple()
if __name__ == '__main__':
main()
当LOOPS为 100000
Finished 'test_append' in 0.0745 seconds
Finished 'test_tuple' in 22.3031 seconds
Line # Mem usage Increment Line Contents
================================================
73 38.00 MiB 38.00 MiB @profile(precision=2)
74 def main():
75 38.96 MiB 0.97 MiB test_append()
76 39.10 MiB 0.13 MiB test_tuple()
当LOOPS为 1000
Finished 'test_append' in 0.0007 seconds
Finished 'test_tuple' in 0.0019 seconds
Line # Mem usage Increment Line Contents
================================================
73 38.04 MiB 38.04 MiB @profile(precision=2)
74 def main():
75 38.04 MiB 0.00 MiB test_append()
76 38.04 MiB 0.00 MiB test_tuple()
所以append比tuple快，但占用更多内存