Python 实现循环的最快方式(for、while 等速度对比)
发布网友
发布时间：2024-09-29 03:05
共1个回答
热心网友
时间：2024-10-10 03:44
众所周知，Python 不是一种执行效率较高的语言。此外在任何语言中，循环都是一种非常消耗时间的操作。假如任意一种简单的单步操作耗费的时间为 1 个单位，将此操作重复执行上万次，最终耗费的时间也将增长上万倍。
while和for是 Python 中常用的两种实现循环的关键字，它们的运行效率实际上是有差距的。比如下面的测试代码：
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdefmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354这是一个简单的求和操作，计算从 1 到 n 之间所有自然数的总和。可以看到for循环相比while要快 1.5 秒。
其中的差距主要在于两者的机制不同。
在每次循环中，while实际上比for多执行了两步操作：边界检查和变量i的自增。即每进行一次循环，while 都会做一次边界检查 (while i < n）和自增计算（i +=1）。这两步操作都是显式的纯 Python 代码。
for循环不需要执行边界检查和自增操作，没有增加显式的 Python 代码（纯 Python 代码效率低于底层的 C 代码）。当循环的次数足够多，就出现了明显的效率差距。
可以再增加两个函数，在for循环中加上不必要的边界检查和自增计算：
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdeffor_loop_with_inc(n=100_000_000):s=0foriinrange(n):s+=ii+=1returnsdeffor_loop_with_test(n=100_000_000):s=0foriinrange(n):ifi<n:passs+=ireturnsdefmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))print('forloopwithincrement\t\t',timeit.timeit(for_loop_with_inc,number=1))print('forloopwithtest\t\t',timeit.timeit(for_loop_with_test,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354#=>forloopwithincrement4.602369500091299#=>forloopwithtest4.18337869993411可以看出，增加的边界检查和自增操作确实大大影响了for循环的执行效率。
前面提到过，Python 底层的解释器和内置函数是用 C 语言实现的。而 C 语言的执行效率远大于 Python。
对于上面的求等差数列之和的操作，借助于 Python 内置的sum函数，可以获得远大于for或while循环的执行效率。
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdefsum_range(n=100_000_000):returnsum(range(n))defmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))print('sumrange\t\t',timeit.timeit(sum_range,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354#=>sumrange0.8658821999561042可以看到，使用内置函数sum替代循环之后，代码的执行效率实现了成倍的增长。
内置函数sum的累加操作实际上也是一种循环，但它由 C 语言实现，而for循环中的求和操作是由纯 Python 代码s += i实现的。C > Python。
再拓展一下思维。小时候都听说过童年高斯巧妙地计算 1 到 100 之和的故事。1…100 之和等于 (1 + 100) * 50。这个计算方法同样可以应用到上面的求和操作中。
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdefsum_range(n=100_000_000):returnsum(range(n))defmath_sum(n=100_000_000):return(n*(n-1))//2defmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))print('sumrange\t\t',timeit.timeit(sum_range,number=1))print('mathsum\t\t',timeit.timeit(math_sum,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354#=>sumrange0.8658821999561042#=>mathsum2.400018274784088e-06最终 math sum 的执行时间约为2.4e-6，缩短了上百万倍。这里的思路就是，既然循环的效率低，一段代码要重复执行上亿次。
索性直接不要循环，通过数学公式，把上亿次的循环操作变成只有一步操作。效率自然得到了空前的加强。
最后的结论（有点谜语人）：
实现循环的最快方式—— —— ——就是不用循环
对于 Python 而言，则尽可能地使用内置函数，将循环中的纯 Python 代码降到最低。
当然，内置函数在某些情况下还不是最快的。比如在创建列表的时候，是字面量写法的速度更快。
热心网友
时间：2024-10-10 03:44
众所周知，Python 不是一种执行效率较高的语言。此外在任何语言中，循环都是一种非常消耗时间的操作。假如任意一种简单的单步操作耗费的时间为 1 个单位，将此操作重复执行上万次，最终耗费的时间也将增长上万倍。
while和for是 Python 中常用的两种实现循环的关键字，它们的运行效率实际上是有差距的。比如下面的测试代码：
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdefmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354这是一个简单的求和操作，计算从 1 到 n 之间所有自然数的总和。可以看到for循环相比while要快 1.5 秒。
其中的差距主要在于两者的机制不同。
在每次循环中，while实际上比for多执行了两步操作：边界检查和变量i的自增。即每进行一次循环，while 都会做一次边界检查 (while i < n）和自增计算（i +=1）。这两步操作都是显式的纯 Python 代码。
for循环不需要执行边界检查和自增操作，没有增加显式的 Python 代码（纯 Python 代码效率低于底层的 C 代码）。当循环的次数足够多，就出现了明显的效率差距。
可以再增加两个函数，在for循环中加上不必要的边界检查和自增计算：
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdeffor_loop_with_inc(n=100_000_000):s=0foriinrange(n):s+=ii+=1returnsdeffor_loop_with_test(n=100_000_000):s=0foriinrange(n):ifi<n:passs+=ireturnsdefmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))print('forloopwithincrement\t\t',timeit.timeit(for_loop_with_inc,number=1))print('forloopwithtest\t\t',timeit.timeit(for_loop_with_test,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354#=>forloopwithincrement4.602369500091299#=>forloopwithtest4.18337869993411可以看出，增加的边界检查和自增操作确实大大影响了for循环的执行效率。
前面提到过，Python 底层的解释器和内置函数是用 C 语言实现的。而 C 语言的执行效率远大于 Python。
对于上面的求等差数列之和的操作，借助于 Python 内置的sum函数，可以获得远大于for或while循环的执行效率。
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdefsum_range(n=100_000_000):returnsum(range(n))defmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))print('sumrange\t\t',timeit.timeit(sum_range,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354#=>sumrange0.8658821999561042可以看到，使用内置函数sum替代循环之后，代码的执行效率实现了成倍的增长。
内置函数sum的累加操作实际上也是一种循环，但它由 C 语言实现，而for循环中的求和操作是由纯 Python 代码s += i实现的。C > Python。
再拓展一下思维。小时候都听说过童年高斯巧妙地计算 1 到 100 之和的故事。1…100 之和等于 (1 + 100) * 50。这个计算方法同样可以应用到上面的求和操作中。
importtimeitdefwhile_loop(n=100_000_000):i=0s=0whilei<n:s+=ii+=1returnsdeffor_loop(n=100_000_000):s=0foriinrange(n):s+=ireturnsdefsum_range(n=100_000_000):returnsum(range(n))defmath_sum(n=100_000_000):return(n*(n-1))//2defmain():print('whileloop\t\t',timeit.timeit(while_loop,number=1))print('forloop\t\t',timeit.timeit(for_loop,number=1))print('sumrange\t\t',timeit.timeit(sum_range,number=1))print('mathsum\t\t',timeit.timeit(math_sum,number=1))if__name__=='__main__':main()#=>whileloop4.718853999860585#=>forloop3.211570399813354#=>sumrange0.8658821999561042#=>mathsum2.400018274784088e-06最终 math sum 的执行时间约为2.4e-6，缩短了上百万倍。这里的思路就是，既然循环的效率低，一段代码要重复执行上亿次。
索性直接不要循环，通过数学公式，把上亿次的循环操作变成只有一步操作。效率自然得到了空前的加强。
最后的结论（有点谜语人）：
实现循环的最快方式—— —— ——就是不用循环
对于 Python 而言，则尽可能地使用内置函数，将循环中的纯 Python 代码降到最低。
当然，内置函数在某些情况下还不是最快的。比如在创建列表的时候，是字面量写法的速度更快。
