Python *vs**用于2次幂运算

所以我经常看到人们编写代码，当他们希望看到给定值的平方版本时，他们会写出x*x而不是x**2。在这两点之间是否存在很大的效率重叠，在python中，给定的函数不仅仅是被使用的，还是仅仅是一个风格点？我更愿意使用**操作符，但如果它会导致一个巨大的错误，我是否应该做10亿次，我知道，我有点想知道。另外，如果我在数量级上错误地认为一个操作取代了另一个操作，我也希望在这方面得到纠正。也就是说，如果**比x*x更有效，那么我也想知道为什么。

事实上，两者在总成本上可能非常相似：

>>> def s1(x):
...   return x * x
...
>>>
>>> def s2(x):
...   return x ** 2
...
>>>
>>> from dis import dis
>>>
>>> dis(s1)
  2           0 LOAD_FAST                0 (x)
              3 LOAD_FAST                0 (x)
              6 BINARY_MULTIPLY
              7 RETURN_VALUE
>>> dis(s2)
  2           0 LOAD_FAST                0 (x)
              3 LOAD_CONST               1 (2)
              6 BINARY_POWER
              7 RETURN_VALUE
>>>

我认为您可能过早地进行了优化，即使是数百万次或数十亿次的迭代。除非您已经确定这是一个瓶颈，否则只需使用最适合您的习惯用语

为完整起见，

timeit

结果：

>>> timeit.Timer("s1(10)", 'from __main__ import s1').timeit(100000)
0.0186597650628606
>>> timeit.Timer("s2(10)", 'from __main__ import s2').timeit(100000)
0.018789616358585448

---

这似乎表明在100000次迭代中，

x*x

的速度稍微快一点。

我不同意g.d.d.c，乘法要快得多

"""Evaluating the difference in execution time between n*n and n**2"""

from time import time

n = 2
t = time()
for i in range(5000000):
    n**2
print("Time for n**2:\t%0.3f" % (time()-t))
t = time()
for i in range(5000000):
    n*n
print("Time for n*n:\t%0.3f" % (time()-t))


def test(n):
    """
    Difference in execution time between n*n and n**2
    within function scope.
    """
    t = time()
    for i in range(5000000):
        n**2
    print("Time for n**2:\t%0.3f" % (time()-t))
    t = time()
    for i in range(5000000):
        n*n
    print("Time for n*n:\t%0.3f" % (time()-t))

test(n)

结果:

Time for n**2: 2.324496030807495
Time for n*n:  0.5879969596862793
Time for n**2: 2.0771241188049316
Time for n*n:  0.2894318103790283

---

您可以看到，乘法在函数外部快4倍，在函数中快7倍。我无法解释这两个测试之间的区别，我也不确定n*n和n**2之间的区别，但这可能与Python是一种解释语言有关，后者的处理需要更多的时间，即使处理器操作非常相似，正如G.D.D.C所演示的，

我想人们使用<代码> x*x<代码>代替<代码> x** 2 <代码>，因为它在所有语言中都是有效的，而<代码> x** 2 < /C> >在爪哇/c/C++中不起作用。因此，我想大多数例子的原因都是无知。不过，我很想知道是否存在效率差异/数值差异。因此，这本身只是一个风格概念。我一直认为它只是与c中的pow（）函数类似的东西，因为它进行了函数调用，我在该语言中看到了这种需要，但在python中，因为它是内置的。我只是不明白为什么不用它。在我看来，只要操作符是已知的，并且被理解的，它就比其他操作符更具表现力。不过，感谢您提供的片段。对于10e6来说，这就是它的价值所在，但它的时间复杂度会呈指数级增长，还是会持续增长？我知道在这个宏大的计划中，这只会有一点无关紧要，但是做Euler项目的问题，教自己Python语言，时间，甚至是四分之一秒，都会让我有点困惑。不。求幂运算比传统CPU上的乘法运算慢得多。您的基准测试没有显示这一点，因为时间主要取决于函数调用（我猜）或其他动态Python恶作剧的成本。在编译语言中，差异是巨大的。即使在Python中，我也可以想象它在没有函数调用的紧循环中产生了巨大的变化，但我没有进行基准测试。无论如何，这（不幸的）远远不是对许多应用程序的过早优化。@KonradRudolph：这不是CPU的事情；Python整数求幂不调用任何CPU求幂指令。都是软件。在Python2中，即使去掉函数调用，由于所有其他开销，差异大约为6%；在Python3中，由于bignum求幂代码不能很好地处理问题。@user2357112我不认为这会使事情变得更好。与乘法相比，在软件中实现指数运算会使这一过程变得更加缓慢。您的基准测试不足以显示这种差异，因为操作太快，计时器的精度相对较低。如果它在函数中或函数外，为什么会产生差异（如此巨大！）？@moose:很可能是因为全局变量查找是dict查找，虽然局部变量查找是索引到数组中，但现在我有点困惑了，我看到它实际上考虑了巨大的速度差，这表示我的初始点。我不认为这会有那么大的区别，也不认为这会导致在函数范围内或函数范围外的区别。有时候你的语言真奇怪。@user2357112你说的很有趣，你能进一步解释一下吗？我认为locals（）返回dict以及globals（）……而且，看起来您在Python3上计时了，而另一个人在Python2上计时了。在这种情况下，Python3的bignum求幂比Python2的求幂性能差得多；在Python2上，

n**2

和

n*n

的计时与另一个答案中的计时几乎相同。