Python元组赋值与列表追加
在考虑运行时（大O）和内存使用时，以下哪一个代码更有效 代码1:Python元组赋值与列表追加,python,data-structures,memory-management,runtime,big-o,Python,Data Structures,Memory Management,Runtime,Big O,在考虑运行时（大O）和内存使用时，以下哪一个代码更有效 代码1: a=[] 对于某些_数据中的项目： a、 追加（item.id） #其他代码 印刷品（a） 案例2: a=tuple（） 对于某些_数据中的项目： a+=（item.id，） #其他代码 印刷品（a） 此处：某些_数据可以是1或n个数据 我的猜测是，代码2是有效的，因为它使用更少的内存，并且可能为赋值操作在堆栈内存中输入/输出数据 我认为代码1的效率较低，因为通常列表会过度分配内存，在追加数据时，当分配的内存超过时，它必须找到
a=[]
对于某些_数据中的项目：
a、 追加（item.id）
#其他代码
印刷品（a）
a=tuple（）
对于某些_数据中的项目：
a+=（item.id，）
#其他代码
印刷品（a）
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。考虑到内存使用情况，我认为这个列表更好 在线
a+=（item.id，）a=a+（item.id，）- 创建元组=>
（item.id，） - 合并2个元组=>
a+（item.id，）- 创建一个更大的元组
- 在内部插入
a - 在内部插入
（item.id.）
a=[]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)
因此，列表理解比元组快1000倍。考虑到内存使用情况，我认为列表更好 在线
a+=（item.id，）a=a+（item.id，）- 创建元组=>
（item.id，） - 合并2个元组=>
a+（item.id，）- 创建一个更大的元组
- 在内部插入
a - 在内部插入
（item.id.）
a=[]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。我写了一个简单的脚本，用于基准时间和内存使用
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()
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()
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()
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()
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，但占用更多内存我编写了一个简单的脚本，用于基准时间和内存使用
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()
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()
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()
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()
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()
因此，append比tuple快，但占用更多内存。顺便说一句，你不必做
tuple（）（）[item.id for item in some_data]tuple（）（）[item.id for item in some_data]