Python3.5和3.6是什么使；“地图”；比理解慢

如果有一个函数/方法是用C编写的，我有时会使用

map

，以获得一些额外的性能。然而，我最近重新审视了一些基准测试，并注意到在Python 3.5和3.6之间，相对性能（与类似的列表理解相比）发生了巨大的变化

这不是实际的代码，只是一个说明差异的最小示例：

import random

lst = [random.randint(0, 10) for _ in range(100000)]
assert list(map((5).__lt__, lst)) == [5 < i for i in lst]
%timeit list(map((5).__lt__, lst))
%timeit [5 < i for i in lst]

虽然Python-3.6计时实际上表明理解速度更快：

17.9 ms ± 755 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
14.3 ms ± 128 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

---

我的问题是，在这种情况下发生了什么，使得列表理解更快，

map

解决方案更慢？我意识到差异并没有那么大，这只是让我好奇，因为这是我有时（实际上很少）在性能关键代码中使用的“技巧”之一。

我认为公平的比较应该包括使用相同的函数。在您的示例中，当比较公平时，

map

仍然获胜：

>>> import sys
>>> print(sys.version)
3.6.2 |Continuum Analytics, Inc.| (default, Jul 20 2017, 13:14:59) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)]
>>> import random
>>> lst = [random.randint(0, 10) for _ in range(100000)]
>>> assert list(map((5).__lt__, lst)) == [5 < i for i in lst]
>>> f = (5).__lt__
>>> %timeit list(map(f, lst))
4.63 ms ± 110 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
>>> %timeit [f(i) for i in lst]
9.17 ms ± 177 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

但是，在使用相同的函数时，

map

比Python 3.5和3.6中的列表理解速度快约2倍

编辑（回复@user2357112评论）： 我认为，在回答OP的问题时，进行“公平”比较是很重要的：“我的问题是，在这种情况下发生了什么，使得列表理解更快，map解决方案更慢？”（最后一段）。然而，在第一段中，@MSeifert说：“…[I]注意到Python 3.5和3.6之间的相对性能（与类似的列表理解相比）发生了巨大变化”，也就是说，比较是在

映射

和

列表理解

之间进行的。然而，@MSeifert测试设置如下：

timig_map_35 = Timing(list(map(f, lst)))
timing_list_35 = Timing([g(i) for i in lst])

这种测试很难找到时间差异的原因：是因为3.6中的列表理解速度变快，还是3.6中的map速度变慢，还是3.6中的

f（i）

速度变慢，还是

g（i）

速度变快

因此，我建议引入

f=（5）。\uu lt\uuu

并在

map

和list理解测试中使用相同的函数。我还修改了@MSeifert测试，增加了列表中的元素数量，并减少了

timeit

中的“循环”数量：

import random
lst = [random.randint(0, 10) for _ in range(1000000)] # 10x more elements
f = (5).__lt__
%timeit -n1 -r1000 list(map(f, lst)) # f = (5).__lt__
%timeit -n1 -r1000 [f(i) for i in lst] # f(i) = (5).__lt__(i)
%timeit -n1 -r1000 [5 < i for i in lst] # g(i) = 5 < i
%timeit -n1 -r1000 [1 for _ in lst] # h(i) = 1

在Python 3.5中，我得到：

1 loop, best of 1000: 43.7 ms per loop
1 loop, best of 1000: 78.9 ms per loop
1 loop, best of 1000: 46 ms per loop
1 loop, best of 1000: 26.8 ms per loop

1 loop, best of 1000: 38.3 ms per loop
1 loop, best of 1000: 56.4 ms per loop
1000000 loops, best of 1000: 59.6 ns per loop

在我看来，这表明3.6中的列表理解略快于3.5，除非使用

f

。因此，很难断定是

map

在Python3.6中较慢，还是第一个

timeit

较慢，因为对

f

的调用较慢。因此，我又进行了两次测试：

%timeit -n1 -r1000 list(map(abs, lst))
%timeit -n1 -r1000 [abs(i) for i in lst]
%timeit -n1000000 -r1000 f(1)

在Python 3.6中，我得到：

43.5 ms ± 1.79 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
82.2 ms ± 2.39 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
43.6 ms ± 1.64 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
23.8 ms ± 1.27 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)

25.8 ms ± 1.42 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
67.1 ms ± 2.07 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
64.7 ns ± 2.22 ns per loop (mean ± std. dev. of 1000 runs, 1000000 loops each)

在Python 3.5中，我得到：

1 loop, best of 1000: 43.7 ms per loop
1 loop, best of 1000: 78.9 ms per loop
1 loop, best of 1000: 46 ms per loop
1 loop, best of 1000: 26.8 ms per loop

1 loop, best of 1000: 38.3 ms per loop
1 loop, best of 1000: 56.4 ms per loop
1000000 loops, best of 1000: 59.6 ns per loop

这表明，对于某些函数，

map

可以大大快于列表理解：具体来说，对于

abs（x）

来说，

map

与Python3.6中的“列表理解”的相对性能是

67.1/25.8=2.60

，而在Python3.5中是

56.4/38.3=1.47

。因此，了解@MSeifert测试显示Python 3.6中

map

速度较慢的原因很有意思。我上面的最后一个测试显示了

f（1）

“单独”的定时测试。我不确定这个测试有多有效（不幸的是）-我想避免使用

map

或

[for]

来消除一个变量-但它表明在Python3.6中

f=（5）。\uu lt\uuuu

变得比Python3.5慢。因此，我得出结论，是函数

f

（

（5）。\uuu lt\uuu

）的特定形式的计算速度变慢了，而不是

map

函数。我知道最后的“单独”测试可能是一个糟糕的测试，但是，当与

abs

一起使用时，

map

速度非常快（相对或绝对）这一事实表明问题出在

f

而不是

map

---

注意：Python 3.5使用IPython 5.3.0，Python 3.6使用IPython 6.1.0。

我认为公平的比较包括在Python 3.5和3.6中使用相同的函数和相同的测试条件，以及在比较

map

以列出所选Python版本中的理解

在我最初的回答中，我进行了多次测试，结果表明，与列表理解相比，

map

在两个版本的Python中都要快两倍。然而，一些结果并不是决定性的，所以我进行了更多的测试

首先，让我列举你在问题中提出的一些观点：

“…[I]注意到，

map

]的相对性能（与类似的列表理解相比）在Python 3.5和3.6之间发生了显著的变化。”

你还问：

“我的问题是，在这种情况下发生了什么，使得列表理解更快，地图解决方案更慢？”

不太清楚的是，在Python3.6中，map的速度比列表理解慢，还是Python3.6中map的速度比3.5慢，并且列表理解的性能提高了（尽管不一定达到了打败

map

的水平）

根据我在第一次回答这个问题后进行的更广泛的测试，我想我对正在发生的事情有了一个想法

然而，首先让我们为“公平”比较创造条件。为此，我们需要：

比较

map

在使用相同函数的不同Python版本中的性能

比较

map

的性能，以使用相同功能在同一版本中列出理解

在相同的数据上运行测试

最小化定时功能的影响

以下是有关我的系统的版本信息：

Python 3.5.3 |Continuum Analytics, Inc.| (default, Mar  6 2017, 12:15:08) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
IPython 5.3.0 -- An enhanced Interactive Python.

及

让我们首先讨论“相同数据”的问题。不幸的是，因为您有效地使用了

seed（None）

，所以两个版本的Python上的每个数据集

lst

都是不同的。这

Python 3.6.2 |Continuum Analytics, Inc.| (default, Jul 20 2017, 13:14:59) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
IPython 6.1.0 -- An enhanced Interactive Python. Type '?' for help.

import numpy as np
import random
lst = [random.randint(0, 10) for _ in range(100000000)]
np.save('lst', lst, allow_pickle=False)

In [11]: f = (5).__lt__
In [12]: %timeit -n1 -r20 [f(i) for i in lst]
1 loop, best of 20: 9.01 s per loop

>>> t = timeit.repeat('[f(i) for i in lst]', setup="f = (5).__lt__;
... import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, 
... number=1); print(min(t), max(t), np.mean(t), np.std(t))
7.442819457995938 7.703615028003696 7.5105415405 0.0550515642854

>>> import numpy as np
>>> import timeit

>>> t = timeit.repeat('list(map(f, lst))', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.666553302988177 4.811194089008495 4.72791638025 0.041115884397

>>> t = timeit.repeat('[f(i) for i in lst]', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
7.442819457995938 7.703615028003696 7.5105415405 0.0550515642854

>>> t = timeit.repeat('[5 < i for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.94656751700677 5.07807950800634 5.00670203845 0.0340474956945

>>> t = timeit.repeat('list(map(abs, lst))', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.167273573024431 4.320013975986512 4.2408865186 0.0378852782878

>>> t = timeit.repeat('[abs(i) for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
5.664627838006709 5.837686392012984 5.71560354655 0.0456700607748

>>> t = timeit.repeat('f(1)', setup="f = (5).__lt__", repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.052280781004810706 0.05500587198184803 0.0531139718529 0.000877649561967

>>> t = timeit.repeat('5 < 1', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.030931947025237605 0.033691533986711875 0.0314959864045 0.000633274658428

>>> t = timeit.repeat('abs(1)', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.04685414198320359 0.05405496899038553 0.0483296330043 0.00162837880358

>>> import numpy as np
>>> import timeit

>>> t = timeit.repeat('list(map(f, lst))', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.599696700985078 4.743880658003036 4.6631793691 0.0425774678203

>>> t = timeit.repeat('[f(i) for i in lst]', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
7.316072431014618 7.572676292009419 7.3837024617 0.0574811241553

>>> t = timeit.repeat('[5 < i for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.570452399988426 4.679144663008628 4.61264215875 0.0265541828693

>>> t = timeit.repeat('list(map(abs, lst))', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
2.742673939006636 2.8282236389932223 2.78504617405 0.0260357089928

>>> t = timeit.repeat('[abs(i) for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
6.2177103200228885 6.428813881997485 6.28722427145 0.0493010620999

>>> t = timeit.repeat('f(1)', setup="f = (5).__lt__", repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.051936342992121354 0.05764096099301241 0.0532974587506 0.00117079475737

>>> t = timeit.repeat('5 < 1', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.02675032999832183 0.032919151999522 0.0285137565021 0.00156522182488

>>> t = timeit.repeat('abs(1)', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.047831349016632885 0.0531779529992491 0.0482893927969 0.00112825297875