Luhn'的意外性能；python中的s算法

我已经实现了Luhn算法校验和部分的两个python版本。除了如何计算第二次求和外，这些代码片段几乎完全相同。它与通常的实现不同，它计算总和，然后用校正因子更新和（如图所示）

然后，我在三个示例上使用timeit对Ipython终端中的代码计时

from random import randint
randoms5 = [randint(0, 9) for _ in range(10**5)]
randoms6 = [randint(0, 9) for _ in range(10**6)]
randoms7 = [randint(0, 9) for _ in range(10**7)]

结果如下：

>>> %timeit manual_loop(randoms5)
2.69 ms ± 17 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
>>> %timeit manual_loop(randoms6)
29.3 ms ± 535 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
>>> %timeit manual_loop(randoms7)
311 ms ± 1.52 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

>>> %timeit builtin_loop(randoms5)
3.31 ms ± 146 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
>>> %timeit builtin_loop(randoms6)
34.8 ms ± 1.31 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
>>> %timeit builtin_loop(randoms7)
337 ms ± 5.69 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

有什么好处？我希望python的内置sum能够提供比我自己做循环更好的性能，特别是对于这种大小的列表

注意：我省略了其他变量，例如手动进行两次求和，以及交换使用内置求和的求和，因为它们的时间差得多

---

编辑：根据请求，我已使用固定种子重新运行测试

import random
random.seed(42)
randoms5 = [random.randint(0, 9) for _ in range(10**5)]
randoms6 = [random.randint(0, 9) for _ in range(10**6)]
randoms7 = [random.randint(0, 9) for _ in range(10**7)]

随机试验的结果更令人期待，但在更大的试验中仍然很奇怪

>>> %timeit manual_loop(randoms5)
3.36 ms ± 346 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit builtin_loop(randoms5)
3.23 ms ± 76.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit manual_loop(randoms6)
31.2 ms ± 890 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit builtin_loop(randoms6)
35.4 ms ± 2.27 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit manual_loop(randoms7)
311 ms ± 5.43 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

>>> %timeit builtin_loop(randoms7)
341 ms ± 8.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

---

您的

sum

调用无法避免解释循环<代码>求和本身不会被解释，但它循环的生成器表达式会被解释。生成器表达式比常规Python循环有更高的开销，这是由于反复挂起和恢复生成器堆栈框架的所有工作。

使用固定种子运行，以便我可以复制。我想看看确切的数字data@MadPhysicist当然，我会用一个固定的种子编辑结果。另一个注意事项是：在我的机器上，使用numpy对该算法进行矢量化将时间缩短到0.12毫秒。我制作了类型为

np.array

和

differences=np.array（[0,1,2,3,4，-4，-3，-2，-1,0]）的X；总计=np.sum（xs）+np.sum（差值[xs[len（xs）%2:：2]]；返回总数%10

>>> %timeit manual_loop(randoms5)
3.36 ms ± 346 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit builtin_loop(randoms5)
3.23 ms ± 76.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

>>> %timeit manual_loop(randoms6)
31.2 ms ± 890 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit builtin_loop(randoms6)
35.4 ms ± 2.27 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit manual_loop(randoms7)
311 ms ± 5.43 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

>>> %timeit builtin_loop(randoms7)
341 ms ± 8.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)