Are tuples more efficient than lists in Python?
当涉及到元素的实例化和检索时，元组和列表之间是否存在性能差异？
一般来说，您可能期望元组速度稍快。但是，您应该明确地测试您的特定情况(如果差异可能影响程序的性能——记住"过早的优化是万恶之源")。 Python让这很容易：时间是你的朋友。
1
2
3
4
5
| $ python -m timeit"x=(1,2,3,4,5,6,7,8)"
10000000 loops, best of 3: 0.0388 usec per loop
$ python -m timeit"x=[1,2,3,4,5,6,7,8]"
1000000 loops, best of 3: 0.363 usec per loop |
还有…
1
2
3
4
5
| $ python -m timeit -s"x=(1,2,3,4,5,6,7,8)""y=x[3]"
10000000 loops, best of 3: 0.0938 usec per loop
$ python -m timeit -s"x=[1,2,3,4,5,6,7,8]""y=x[3]"
10000000 loops, best of 3: 0.0649 usec per loop |
因此，在本例中，对于元组来说，实例化几乎快了一个数量级，但是对于列表来说，项访问实际上要快一些！因此，如果您要创建几个元组并多次访问它们，那么实际上使用列表可能会更快。 当然，如果您想更改一个项，列表肯定会更快，因为您需要创建一个完整的新元组来更改其中的一个项(因为元组是不可变的)。
总结 在几乎所有类别中，元组的性能都优于列表： 1)元组可以连续折叠。 2)元组可以重用，而不是复制。 3)元组是紧凑的，不会过度分配。 4)元组直接引用其元素。 元组可以连续折叠 常量元组可以由python的窥视孔优化器或ast优化器预先计算。另一方面，列表是从零开始构建的：
1
2
3
4
5
6
7
8
9
10
11
| >>> from dis import dis
>>> dis(compile("(10, 'abc')", '', 'eval'))
1 0 LOAD_CONST 2 ((10, 'abc'))
3 RETURN_VALUE
>>> dis(compile("[10, 'abc']", '', 'eval'))
1 0 LOAD_CONST 0 (10)
3 LOAD_CONST 1 ('abc')
6 BUILD_LIST 2
9 RETURN_VALUE |
不需要复制元组 运行tuple(some_tuple)会立即返回。因为元组是不可变的，所以不必复制它们：
1
2
3
4
| >>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True |
相比之下，list(some_list)要求将所有数据复制到新的列表中：
1
2
3
4
| >>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False |
元组不会过度分配 因为元组的大小是固定的，所以它可以比需要过度分配才能使append()操作高效的列表更紧凑地存储。 这给了tuples一个很好的空间优势：
1
2
3
4
5
| >>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200 |
下面是来自objects/listobject.c的注释，它解释了列表正在执行的操作：
1
2
3
4
5
6
7
8
9
| /* This over-allocates proportional to the list size, making room
* for additional growth. The over-allocation is mild, but is
* enough to give linear-time amortized behavior over a long
* sequence of appends() in the presence of a poorly-performing
* system realloc().
* The growth pattern is: 0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...
* Note: new_allocated won't overflow because the largest possible value
* is PY_SSIZE_T_MAX * (9 / 8) + 6 which always fits in a size_t.
*/ |
元组直接引用其元素 对对象的引用直接合并到元组对象中。相反，列表有一个指向外部指针数组的额外间接层。 这使元组在索引查找和解包方面具有很小的速度优势：
1
2
3
4
5
6
7
8
9
| $ python3.6 -m timeit -s 'a = (10, 20, 30)' 'a[1]'
10000000 loops, best of 3: 0.0304 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'a[1]'
10000000 loops, best of 3: 0.0309 usec per loop
$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'x, y, z = a'
10000000 loops, best of 3: 0.0249 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'x, y, z = a'
10000000 loops, best of 3: 0.0251 usec per loop |
以下是tuple (10, 20)的存储方式：
1
2
3
4
5
6
| typedef struct {
Py_ssize_t ob_refcnt;
struct _typeobject *ob_type;
Py_ssize_t ob_size;
PyObject *ob_item[2]; /* store a pointer to 10 and a pointer to 20 */
} PyTupleObject; |
以下是存储列表[10, 20]的方式：
1
2
3
4
5
6
7
8
9
| PyObject arr[2]; /* store a pointer to 10 and a pointer to 20 */
typedef struct {
Py_ssize_t ob_refcnt;
struct _typeobject *ob_type;
Py_ssize_t ob_size;
PyObject **ob_item = arr; /* store a pointer to the two-pointer array */
Py_ssize_t allocated;
} PyListObject; |
注意，tuple对象直接合并了两个数据指针，而list对象有一个额外的间接层，指向保存两个数据指针的外部数组。
dis模块分解函数的字节代码，并有助于查看元组和列表之间的区别。 在这种情况下，您可以看到访问一个元素会生成相同的代码，但是分配一个元组要比分配一个列表快得多。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
| >>> def a():
... x=[1,2,3,4,5]
... y=x[2]
...
>>> def b():
... x=(1,2,3,4,5)
... y=x[2]
...
>>> import dis
>>> dis.dis(a)
2 0 LOAD_CONST 1 (1)
3 LOAD_CONST 2 (2)
6 LOAD_CONST 3 (3)
9 LOAD_CONST 4 (4)
12 LOAD_CONST 5 (5)
15 BUILD_LIST 5
18 STORE_FAST 0 (x)
3 21 LOAD_FAST 0 (x)
24 LOAD_CONST 2 (2)
27 BINARY_SUBSCR
28 STORE_FAST 1 (y)
31 LOAD_CONST 0 (None)
34 RETURN_VALUE
>>> dis.dis(b)
2 0 LOAD_CONST 6 ((1, 2, 3, 4, 5))
3 STORE_FAST 0 (x)
3 6 LOAD_FAST 0 (x)
9 LOAD_CONST 2 (2)
12 BINARY_SUBSCR
13 STORE_FAST 1 (y)
16 LOAD_CONST 0 (None)
19 RETURN_VALUE |
元组是不可变的，它具有更高的内存效率；为了提高效率，列出了过度分配的内存，以便允许不使用常量reallocs的附加值。因此，如果要在代码中迭代一个常量值序列(例如for direction in 'up', 'right', 'down', 'left':)，则首选元组，因为这些元组是在编译时预先计算的。 访问速度应该相同(它们都作为连续数组存储在内存中)。 但是，在处理可变数据时，alist.append(item)比atuple+= (item,)更受欢迎。记住，元组被当作没有字段名的记录来处理。
如果列表或元组中的所有项都是相同的C类型，那么还应该考虑标准库中的array模块。它将占用更少的内存，并且速度更快。
元组应该稍微高效一些，因此比列表更快，因为它们是不可变的。
这是另一个小基准，只是为了它。
1
2
3
4
5
| In [11]: %timeit list(range(100))
749 ns ± 2.41 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [12]: %timeit tuple(range(100))
781 ns ± 3.34 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each) |
1
2
3
4
5
| In [1]: %timeit list(range(1_000))
13.5 μs ± 466 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [2]: %timeit tuple(range(1_000))
12.4 μs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each) |
1
2
3
4
5
| In [7]: %timeit list(range(10_000))
182 μs ± 810 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [8]: %timeit tuple(range(10_000))
188 μs ± 2.38 μs per loop (mean ± std. dev. of 7 runs, 10000 loops each) |
1
2
3
4
5
| In [3]: %timeit list(range(1_00_000))
2.76 ms ± 30.5 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [4]: %timeit tuple(range(1_00_000))
2.74 ms ± 31.8 μs per loop (mean ± std. dev. of 7 runs, 100 loops each) |
1
2
3
4
5
| In [10]: %timeit list(range(10_00_000))
28.1 ms ± 266 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [9]: %timeit tuple(range(10_00_000))
28.5 ms ± 447 μs per loop (mean ± std. dev. of 7 runs, 10 loops each) |
让我们平均一下：
1
2
3
4
5
6
7
8
9
10
11
12
| In [3]: l = np.array([749 * 10 ** -9, 13.5 * 10 ** -6, 182 * 10 ** -6, 2.76 * 10 ** -3, 28.1 * 10 ** -3])
In [2]: t = np.array([781 * 10 ** -9, 12.4 * 10 ** -6, 188 * 10 ** -6, 2.74 * 10 ** -3, 28.5 * 10 ** -3])
In [11]: np.average(l)
Out[11]: 0.0062112498000000006
In [12]: np.average(t)
Out[12]: 0.0062882362
In [17]: np.average(t) / np.average(l) * 100
Out[17]: 101.23946713590554 |
你可以称之为几乎没有结论。 但是，与列表相比，tuples确实花费了101.239%的时间，或者1.239%的额外时间来完成这项工作。
元组在读取方面非常有效的主要原因是它是不可变的。 为什么不可变的对象容易读取？ 原因是与列表不同，元组可以存储在内存缓存中。程序总是从列表中读取内存位置，因为它是可变的(可以随时更改)。
|
