在实例化和检索元素时，元组和列表之间是否存在性能差异？
Tim
问问题
108935 次
9 回答
301
概括
几乎在每个类别中，元组的性能都比列表好：
1）元组可以是常数折叠。
2）元组可以重复使用而不是复制。
3）元组是紧凑的，不会过度分配。
4) 元组直接引用它们的元素。
元组可以不断折叠
常量元组可以由 Python 的窥孔优化器或 AST 优化器预先计算。另一方面，列表是从头开始构建的：
>>> 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
元组不需要复制
运行tuple(some_tuple)会立即返回。由于元组是不可变的，因此不必复制它们：
>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True
相反，list(some_list)需要将所有数据复制到新列表中：
>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False
元组不会过度分配
由于元组的大小是固定的，因此它可以比需要过度分配以提高append()操作效率的列表更紧凑地存储。
这给元组一个很好的空间优势：
>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200
这是来自Objects/listobject.c的注释，它解释了列表的作用：
/* 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.
*/
元组直接引用它们的元素
对对象的引用直接合并到元组对象中。相反，列表对外部指针数组有一个额外的间接层。
这为元组索引查找和解包提供了小的速度优势：
$ 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
以下是元组(10, 20)的存储方式：
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;
以下是列表[10, 20]的存储方式：
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;
请注意，元组对象直接合并了两个数据指针，而列表对象对保存两个数据指针的外部数组有一个额外的间接层。
于 2014-03-03T06:30:39.500 回答
225
通常，您可能希望元组稍快一些。但是，您绝对应该测试您的具体情况（如果差异可能会影响程序的性能——请记住“过早的优化是万恶之源”）。
Python 让这变得非常简单：timeit是你的朋友。
$ 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
和...
$ 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
所以在这种情况下，元组的实例化速度几乎快了一个数量级，但列表的项目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，实际上使用列表可能会更快。
当然，如果您想更改一项，列表肯定会更快，因为您需要创建一个全新的元组来更改其中一项（因为元组是不可变的）。
于 2008-09-16T01:57:10.723 回答
201
该dis模块对函数的字节码进行反汇编，有助于查看元组和列表之间的区别。
在这种情况下，您可以看到访问元素会生成相同的代码，但分配元组比分配列表要快得多。
>>> 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
于 2008-09-16T02:13:29.577 回答
39
元组是不可变的，内存效率更高；列表，为了速度效率，过度分配内存以允许没有常量reallocs 的追加。所以，如果你想在你的代码中迭代一个恒定的值序列（例如for direction in 'up', 'right', 'down', 'left':），元组是首选，因为这样的元组是在编译时预先计算的。
读取访问速度应该相同（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)更可取。atuple+= (item,)请记住，元组旨在被视为没有字段名称的记录。
于 2008-09-16T10:16:52.160 回答
11
这是另一个小基准，只是为了它..
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)
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)
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)
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)
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：
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
你可以说它几乎没有定论。
但可以肯定的是，与列表相比，元组需要101.239%时间或额外的时间来完成这项工作。1.239%
于 2018-08-25T08:06:33.077 回答
9
如果列表或元组中的所有项目都属于相同的 C 类型，您还应该考虑array标准库中的模块。它将占用更少的内存并且可以更快。
于 2008-09-16T11:14:08.450 回答
4
元组应该比列表更有效，因此比列表更快，因为它们是不可变的。
于 2008-09-16T01:45:39.753 回答
4
元组表现更好，但如果元组的所有元素都是不可变的。如果元组的任何元素是可变的列表或函数，则编译将花费更长的时间。在这里，我编译了 3 个不同的对象：
在第一个示例中，我编译了一个元组。它在元组中作为常量加载，它加载并返回值。编译需要一步。这称为常量折叠。当我用相同的元素编译一个列表时，它必须首先加载每个单独的常量，然后构建列表并返回它。在第三个示例中，我使用了一个包含列表的元组。我为每个操作计时。
--内存分配
在创建列表、集合、字典等可变容器对象时，在它们的生命周期内，这些容器的分配容量（它们可以包含的项目数）大于容器中的元素数。这样做是为了使向集合中添加元素更有效，称为过度分配。因此，列表的大小不会在每次添加元素时都增加——它只是偶尔会增加。调整列表的大小非常昂贵，因此每次添加项目时不要调整大小会有所帮助，但您不想过度分配太多，因为这会消耗内存。
另一方面，不可变容器，因为它们的项目数量在创建后是固定的，不需要这种过度分配- 因此它们的存储效率更高。随着元组变大，它们的大小也会增加。
--复制
制作不可变序列的浅拷贝是没有意义的，因为无论如何您都无法对其进行变异。所以复制元组只是返回自身，带有内存地址。这就是复制元组更快的原因
检索元素
我 timeD 从一个元组和一个列表中检索一个元素：
从元组中检索元素比从列表中检索元素要快得多。因为，在 CPython 中，元组可以直接访问（指针）它们的元素，而列表需要首先访问另一个包含指向列表元素的指针的数组。
于 2020-10-04T04:19:25.873 回答
-6
Tuple 在阅读方面非常高效的主要原因是它是不可变的。
为什么不可变对象易于阅读？
原因是元组可以存储在内存缓存中，这与列表不同。程序总是从列表内存位置读取，因为它是可变的（可以随时更改）。
于 2018-11-20T01:57:54.663 回答