Python字典和列表性能之间的比较-巨人网络通讯

Python列表和字典

前面我们了解了 “大O表示法” 以及对不同的算法的评估，下面来讨论下 Python 两种内置数据类型有关的各种操作的大O数量级：列表 list 和字典dict。
这是 Python 中两种非常重要的数据类型，后面会用来实现各种数据结构，通过运行试验来估计其各种操作运行时间数量级。

对比 list 和 dict 操作如下：

List列表数据类型常用操作性能：

最常用的是：按索引取值和赋值（v=a[i]，a[i]=v），由于列表的随机访问特性，这两个操作执行时间与列表大小无关，均为O(1)。

另一个是列表增长，可以选择 append() 和 “+”：lst.append(v)，执行时间是O(1)；lst= lst+ [v]，执行时间是O(n+k)，其中 k 是被加的列表长度，选择哪个方法来操作列表，也决定了程序的性能。

测试 4 种生成 n 个整数列表的方法：

创建一个 Timer 对象，指定需要反复运行的语句和只需要运行一次的"安装语句"。

然后调用这个对象的 timeit 方法，指定反复运行多少次。

# Timer(stmt="pass", setup="pass")   # 这边只介绍两个参数
# stmt：statement的缩写，就是要测试的语句，要执行的对象
# setup：导入被执行的对象（就和run代码前，需要导入包一个道理） 在主程序命名空间中  导入
time1 = Timer("test1()", "from __main__ import test1") 
print("concat：{} seconds".format(time1.timeit(1000)))
time2 = Timer("test2()", "from __main__ import test2")
print("append：{} seconds".format(time2.timeit(1000)))
time3 = Timer("test3()", "from __main__ import test3")
print("comprehension：{} seconds".format(time3.timeit(1000)))
time4 = Timer("test4()", "from __main__ import test4")
print("list range：{} seconds".format(time4.timeit(1000))

结果如下：

可以看到，4种方法运行时间差别挺大的，列表连接（concat）最慢，List range最快，速度相差近 100 倍。append要比 concat 快得多。另外，我们注意到列表推导式速度大约是 append 两倍的样子。

总结列表基本操作的大 O 数量级：

我们注意到 pop 这个操作，pop()是从列表末尾移除元素，时间复杂度为O(1)；pop(i)从列表中部移除元素，时间复杂度为O(n)。
原因在于 Python 所选择的实现方法，从中部移除元素的话，要把移除元素后面的元素，全部向前挪位复制一遍，这个看起来有点笨拙
但这种实现方法能够保证列表按索引取值和赋值的操作很快，达到O(1)。这也算是一种对常用和不常用操作的折中方案。

list.pop()的计时试验，通过改变列表的大小来测试两个操作的增长趋势：

import timeit

pop_first = timeit.Timer("x.pop(0)", "from __main__ import x")
pop_end = timeit.Timer("x.pop()", "from __main__ import x")
print("pop(0)          pop()")
y_1 = []
y_2 = []
for i in range(1000000, 10000001, 1000000):
    x = list(range(i))
    p_e = pop_end.timeit(number=1000)
    x = list(range(i))
    p_f = pop_first.timeit(number=1000)
    print("{:.6f}        {:.6f}".format(p_f, p_e))
    y_1.append(p_f)
    y_2.append(p_e)

结果如下：

将试验结果可视化，可以看出增长趋势：pop()是平坦的常数，pop(0)是线性增长的趋势。

字典与列表不同，是根据键值（key）找到数据项，而列表是根据索引（index）。最常用的取值和赋值，其性能均为O(1)。另一个重要操作contains(in)是判断字典中是否存在某个键值（key），这个性能也是O(1)。

做一个性能测试试验来验证 list 中检索一个值，以及 dict 中检索一个值的用时对比，生成包含连续值的 list 和包含连续键值 key 的
dict，用随机数来检验操作符 in 的耗时。

import timeit
import random

y_1 = []
y_2 = []
print("lst_time         dict_time")
for i in range(10000, 1000001, 25000):
    t = timeit.Timer("random.randrange(%d) in x" % i, "from __main__ import random, x")
    x = list(range(i))
    lst_time = t.timeit(number=1000)
    x = {j: 'k' for j in range(i)}
    dict_time = t.timeit(number=1000)
    print("{:.6f}        {:.6f}".format(lst_time, dict_time))
    y_1.append(lst_time)
    y_2.append(dict_time)

结果如下：

可见字典的执行时间与规模无关，是常数。
而列表的执行时间则会随着列表的规模加大而线性上升。

更多 Python 数据类型操作复杂度可以参考官方文档：
https://wiki.python.org/moin/TimeComplexity

到此这篇关于Python字典和列表性能之间的比较的文章就介绍到这了,更多相关Python列表和字典内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

您可能感兴趣的文章:

Python实现字典序列ChainMap
python基础入门之字典和集合
python字典与json转换的方法总结
python用函数创造字典的实例讲解

全 部 栏 目

Python列表和字典

全部栏目