关于性能:元组比Python中的列表更有效吗?

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)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)。