Python 为什么这个lambda函数比for循环版本更慢？

我在写一篇关于python编码风格的博客文章时，遇到了一些我觉得很奇怪的事情，我想知道是否有人理解了它到底是怎么回事。基本上，我有两个相同功能的版本：

a = lambda x: (i for i in range(x))
def b(x):
    for i in range(x):
        yield i

我想比较一下这两种方法的性能。在我看来，这应该包括一个可以忽略不计的计算量，而且两种方法都应该非常接近于零，然而，当我实际运行timeit时：

def timing(x, number=10):
    implicit = timeit.timeit('a(%s)' % int(x), 'from __main__ import a', number=number)
    explicit = timeit.timeit('b(%s)' % int(x), 'from __main__ import b', number=number)
    return (implicit, explicit)

def plot_timings(*args, **kwargs):
    fig = plt.figure()
    ax = fig.add_subplot(1,1,1)
    x_vector = np.linspace(*args, **kwargs)
    timings = np.vectorize(timing)(x_vector)
    ax.plot(x_vector, timings[0], 'b--')
    ax.plot(x_vector, timings[1], 'r--')
    ax.set_yscale('log')
    plt.show()

plot_timings(1, 1000000, 20)

我发现这两种方法之间存在巨大差异，如下所示：

a为蓝色，

b

为红色“>

其中

a

为蓝色，

b

为红色

为什么差异如此之大？看起来显式for循环版本也在以对数增长，而隐式版本什么都不做（这是应该的）

---

有什么想法吗？

差异是由

range

a

在构建范围时需要调用它。

b

在第一次迭代之前不需要调用range

>>> def myrange(n):
...     print "myrange(%s)"%n
...     return range(n)
... 
>>> a = lambda x: (i for i in myrange(x))
>>> def b(x):
...     for i in myrange(x):
...         yield i
... 
>>> a(100)
myrange(100)
range(100)
<generator object <genexpr> at 0xd62d70>
>>> b(100)
<generator object b at 0xdadb90>
>>> next(_)   # <-- first iteration of b(100)
myrange(100)
range(100)
0

>>def myrange（n）：
…打印“myrange（%s）”%n
…返回范围（n）
... 
>>>a=λx：（i代表我的范围内的i（x））
>>>def b（x）：
…对于我的范围内的i（x）：
…让我
... 
>>>a（100）
myrange（100）
射程（100）
>>>b（100）
>>>下一个（）#lambda调用是慢速调用。请查看以下内容：

import cProfile

a = lambda x: (i for i in range(x))

def b(x):
    for i in range(x):
        yield i

def c(x):
    for i in xrange(x):
        yield i

def d(x):
    i = 0
    while i < x:
        yield i
        i += 1


N = 100000
print " -- a --"
cProfile.run("""
for x in xrange(%i):
    a(x)
""" % N)

print " -- b --"
cProfile.run("""
for x in xrange(%i):
    b(x)
""" % N)

print " -- c --"
cProfile.run("""
for x in xrange(%i):
    c(x)
""" % N)

print " -- d --"
cProfile.run("""
for x in xrange(%i):
    d(x)
""" % N)

print " -- a (again) --"
cProfile.run("""
for x in xrange(%i):
    a(x)
""" % N)

导入cProfile
a=λx：（范围（x）内i的i）
def b（x）：
对于范围（x）内的i：
产量一
def c（x）：
对于x范围内的i（x）：
产量一
定义d（x）：
i=0
而i

给出了以下结果：

 -- a --
         300002 function calls in 61.764 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1   30.881   30.881   61.764   61.764 <string>:3(<module>)
   100000    0.051    0.000    0.051    0.000 test.py:5(<genexpr>)
   100000    0.247    0.000   30.832    0.000 test.py:5(<lambda>)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
   100000   30.585    0.000   30.585    0.000 {range}


 -- b --
         100002 function calls in 0.076 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.066    0.066    0.076    0.076 <string>:3(<module>)
   100000    0.010    0.000    0.010    0.000 test.py:7(b)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}


 -- c --
         100002 function calls in 0.075 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.065    0.065    0.075    0.075 <string>:3(<module>)
   100000    0.010    0.000    0.010    0.000 test.py:11(c)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}


 -- d --
         100002 function calls in 0.075 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.065    0.065    0.075    0.075 <string>:3(<module>)
   100000    0.010    0.000    0.010    0.000 test.py:15(d)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}


 -- a (again) --
         300002 function calls in 60.890 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1   30.487   30.487   60.890   60.890 <string>:3(<module>)
   100000    0.049    0.000    0.049    0.000 test.py:5(<genexpr>)
   100000    0.237    0.000   30.355    0.000 test.py:5(<lambda>)
        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
   100000   30.118    0.000   30.118    0.000 {range}

--a--
在61.764秒内调用300002个函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1   30.881   30.881   61.764   61.764 :3()
100000 0.051 0.000 0.051 0.000测试。py:5（）
100000 0.247 0.000 30.832 0.000测试。py:5（）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
100000 30.585 0.000 30.585 0.000{范围}
--b--
在0.076秒内调用100002个函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1    0.066    0.066    0.076    0.076 :3()
100000 0.010 0.000 0.010 0.000试验。py:7（b）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
--c--
在0.075秒内调用100002个函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1    0.065    0.065    0.075    0.075 :3()
100000 0.010 0.000 0.010 0.000试验。py:11（c）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
--d--
在0.075秒内调用100002个函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1    0.065    0.065    0.075    0.075 :3()
100000 0.010 0.000 0.010 0.000试验。py:15（d）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
--a（再次）--
60.890秒内调用300002个函数
订购人：标准名称
ncalls tottime percall cumtime percall文件名：lineno（函数）
1   30.487   30.487   60.890   60.890 :3()
100000 0.049 0.000 0.049 0.000测试。py:5（）
100000 0.237 0.000 30.355 0.000试验。py:5（）
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
100000 30.118 0.000 30.118 0.000{范围}
坐标轴是什么意思？我想你在几句话中都是倒转的？lambda版本是对数增长的版本。