8

使用高阶函数和 Lambda 会使运行时间和内存效率更好还是更差？例如，将列表中的所有数字相乘：

nums = [1,2,3,4,5]
prod = 1
for n in nums:
    prod*=n

对比

prod2 = reduce(lambda x,y:x*y , nums)

除了较少的代码行/使用功能方法之外，HOF 版本是否比循环版本有任何优势？

编辑：

我无法将此添加为答案，因为我没有所需的声誉。我按照@DSM 的建议使用 timeit 来分析循环和 HOF 方法

def test1():         
    s= """
    nums = [a for a in range(1,1001)] 
    prod = 1 
    for n in nums:
        prod*=n
    """            
    t = timeit.Timer(stmt=s)
    return t.repeat(repeat=10,number=100)    

def test2():
    s="""
    nums = [a for a in range(1,1001)]     
    prod2 = reduce(lambda x,y:x*y , nums)
    """
    t = timeit.Timer(stmt=s)
    return t.repeat(repeat=10,number=100)

这是我的结果：

Loop:
[0.08340786340144211, 0.07211491653462579, 0.07162720686361926, 0.06593182661083438, 0.06399049758613146, 0.06605228229559557, 0.06419744588664211, 0.0671893658461038, 0.06477527090075941, 0.06418023793167627]
test1 average: 0.0644778902685
HOF:
[0.0759414223099324, 0.07616920129277016, 0.07570730355421262, 0.07604965128984942, 0.07547092059389193, 0.07544737286604364, 0.075532959799953, 0.0755039779810629, 0.07567424616704144, 0.07542563650187661]
test2 average: 0.0754917512762

平均而言，循环方法似乎比使用 HOF 更快。

4

2 回答 2

7

高阶函数可以非常快。

例如，map(ord, somebigstring)比等效的列表理解要[ord(c) for c in somebigstring]快得多。前者获胜有三个原因：

  • map() 将结果字符串的大小预先设置为somebigstring的长度。相反，列表理解必须随着它的增长对realloc()进行多次调用。

  • map() 只需对ord进行一次查找，首先检查全局变量，然后在内置函数中检查并找到它。列表推导必须在每次迭代中重复这项工作。

  • map 的内部循环以 C 速度运行。列表推导的循环体是一系列纯 Python 步骤，每个步骤都需要由 eval 循环分派或处理。

以下是确认预测的一些时间：

>>> from timeit import Timer
>>> print min(Timer('map(ord, s)', 's="x"*10000').repeat(7, 1000))
0.808364152908
>>> print min(Timer('[ord(c) for c in s]', 's="x"*10000').repeat(7, 1000))
1.2946639061
于 2012-01-28T01:52:24.123 回答
1

根据我的经验，循环可以非常快地做事，只要它们没有嵌套太深，并且具有复杂的高等数学运算，对于简单的运算和单层循环，它可以像任何其他方式一样快，也许更快，只要只有整数用作循环或循环的索引，它实际上也取决于你在做什么

此外，高阶函数很可能会产生与循环程序版本一样多的循环，甚至可能会慢一点，你必须对它们都计时......只是为了确定。

于 2012-01-28T01:36:32.273 回答