列表理解，映射和numpy.vectorize性能

Question

我有一个函数foo（i），它需要一个整数，并且需要花费大量时间才能执行。下列任何一种初始化 a的 方法之间是否会有明显的性能差异：

a = [foo(i) for i in xrange(100)]

a = map(foo, range(100))

vfoo = numpy.vectorize(foo)
a = vfoo(range(100))

（我不在乎输出是列表还是numpy数组。）

有没有更好的办法？

Answer 1

第一条评论：不要在xrange(或range()样本中混合使用…这样做会使您在比较苹果和橙子时的问题无效。

我第二个@Gabe的想法是，如果您有许多大型数据结构，则numpy应该在总体上胜出……只是要记住，大多数时候C的速度要比Python快，但是大多数时候PyPy的速度要比CPython快。
:-)

就listcomps与map()调用而言…一个调用101个函数，而另一个调用102个。这意味着您不会看到时间上的显着差异，如下所示，使用@Mike建议的 timeit
模块：

• 清单理解

$ python -m timeit "def foo(x):pass; [foo(i) for i in range(100)]"
1000000 loops, best of 3: 0.216 usec per loop
$ python -m timeit "def foo(x):pass; [foo(i) for i in range(100)]"
1000000 loops, best of 3: 0.21 usec per loop
$ python -m timeit "def foo(x):pass; [foo(i) for i in range(100)]"
1000000 loops, best of 3: 0.212 usec per loop

• map() 函数调用

$ python -m timeit "def foo(x):pass; map(foo, range(100))"
1000000 loops, best of 3: 0.216 usec per loop
$ python -m timeit "def foo(x):pass; map(foo, range(100))"
1000000 loops, best of 3: 0.214 usec per loop
$ python -m timeit "def foo(x):pass; map(foo, range(100))"
1000000 loops, best of 3: 0.215 usec per loop

尽管如此，除非您打算 使用
通过这两种技术创建的列表，否则请完全避免使用它们（使用列表）。IOW，如果您要做的只是遍历它们，那么当您只关心一次查看每个元素时，只要立即丢弃该列表，就不值得消耗内存（并可能在内存中创建潜在的庞大列表）。你完成了。

在这种情况下，我强烈建议您使用 生成器表达式，
因为它们不会在内存中创建整个列表…这是一种更友好的内存，懒惰的迭代方式，可以循环遍历元素以处理不创建大型函数内存中的数组。最好的部分是它的语法与listcomps的语法几乎相同：

a = (foo(i) for i in range(100))

仅限2.x用户
：沿着更多的迭代路线，将任何旧版2.x代码的所有range()调用都更改为xrange()，然后range()在移植到Python
3xrange()替换并重命名为时切换到range()。