Il modo Pythonic per questo è:
x = [None] * numElements
o qualunque sia il valore predefinito che desideri prepopare, ad es
bottles = [Beer()] * 99
sea = [Fish()] * many
vegetarianPizzas = [None] * peopleOrderingPizzaNotQuiche
[EDIT: Caveat Emptor La [Beer()] * 99sintassi crea uno Beer e quindi popola un array con 99 riferimenti alla stessa singola istanza]
L'approccio predefinito di Python può essere piuttosto efficiente, sebbene tale efficienza diminuisca quando si aumenta il numero di elementi.
Confrontare
import time
class Timer(object):
def __enter__(self):
self.start = time.time()
return self
def __exit__(self, *args):
end = time.time()
secs = end - self.start
msecs = secs * 1000 # millisecs
print('%fms' % msecs)
Elements = 100000
Iterations = 144
print('Elements: %d, Iterations: %d' % (Elements, Iterations))
def doAppend():
result = []
i = 0
while i < Elements:
result.append(i)
i += 1
def doAllocate():
result = [None] * Elements
i = 0
while i < Elements:
result[i] = i
i += 1
def doGenerator():
return list(i for i in range(Elements))
def test(name, fn):
print("%s: " % name, end="")
with Timer() as t:
x = 0
while x < Iterations:
fn()
x += 1
test('doAppend', doAppend)
test('doAllocate', doAllocate)
test('doGenerator', doGenerator)
con
#include <vector>
typedef std::vector<unsigned int> Vec;
static const unsigned int Elements = 100000;
static const unsigned int Iterations = 144;
void doAppend()
{
Vec v;
for (unsigned int i = 0; i < Elements; ++i) {
v.push_back(i);
}
}
void doReserve()
{
Vec v;
v.reserve(Elements);
for (unsigned int i = 0; i < Elements; ++i) {
v.push_back(i);
}
}
void doAllocate()
{
Vec v;
v.resize(Elements);
for (unsigned int i = 0; i < Elements; ++i) {
v[i] = i;
}
}
#include <iostream>
#include <chrono>
using namespace std;
void test(const char* name, void(*fn)(void))
{
cout << name << ": ";
auto start = chrono::high_resolution_clock::now();
for (unsigned int i = 0; i < Iterations; ++i) {
fn();
}
auto end = chrono::high_resolution_clock::now();
auto elapsed = end - start;
cout << chrono::duration<double, milli>(elapsed).count() << "ms\n";
}
int main()
{
cout << "Elements: " << Elements << ", Iterations: " << Iterations << '\n';
test("doAppend", doAppend);
test("doReserve", doReserve);
test("doAllocate", doAllocate);
}
Sul mio Windows 7 i7, Python a 64 bit dà
Elements: 100000, Iterations: 144
doAppend: 3587.204933ms
doAllocate: 2701.154947ms
doGenerator: 1721.098185ms
Mentre C ++ dà (costruito con MSVC, 64-bit, ottimizzazioni abilitate)
Elements: 100000, Iterations: 144
doAppend: 74.0042ms
doReserve: 27.0015ms
doAllocate: 5.0003ms
La build di debug C ++ produce:
Elements: 100000, Iterations: 144
doAppend: 2166.12ms
doReserve: 2082.12ms
doAllocate: 273.016ms
Il punto qui è che con Python puoi ottenere un miglioramento delle prestazioni del 7-8% e se pensi di scrivere un'app ad alte prestazioni (o se stai scrivendo qualcosa che viene utilizzato in un servizio web o qualcosa), allora che non deve essere sniffato, ma potrebbe essere necessario ripensare la scelta della lingua.
Inoltre, il codice Python qui non è proprio il codice Python. Passare al vero codice Pythonesque qui offre prestazioni migliori:
import time
class Timer(object):
def __enter__(self):
self.start = time.time()
return self
def __exit__(self, *args):
end = time.time()
secs = end - self.start
msecs = secs * 1000 # millisecs
print('%fms' % msecs)
Elements = 100000
Iterations = 144
print('Elements: %d, Iterations: %d' % (Elements, Iterations))
def doAppend():
for x in range(Iterations):
result = []
for i in range(Elements):
result.append(i)
def doAllocate():
for x in range(Iterations):
result = [None] * Elements
for i in range(Elements):
result[i] = i
def doGenerator():
for x in range(Iterations):
result = list(i for i in range(Elements))
def test(name, fn):
print("%s: " % name, end="")
with Timer() as t:
fn()
test('doAppend', doAppend)
test('doAllocate', doAllocate)
test('doGenerator', doGenerator)
Che dà
Elements: 100000, Iterations: 144
doAppend: 2153.122902ms
doAllocate: 1346.076965ms
doGenerator: 1614.092112ms
(in doGenerator a 32 bit funziona meglio di doAllocate).
Qui il divario tra doAppend e doAllocate è significativamente maggiore.
Ovviamente, le differenze qui si applicano solo se lo stai facendo più di una manciata di volte o se lo stai facendo su un sistema pesantemente caricato dove quei numeri verranno ridimensionati per ordini di grandezza, o se hai a che fare con elenchi considerevolmente più grandi.
Il punto qui: fallo nel modo pitonico per le migliori prestazioni.
Ma se ti preoccupi delle prestazioni generali di alto livello, Python è la lingua sbagliata. Il problema fondamentale è che la funzione Python chiama è stata tradizionalmente fino a 300 volte più lenta di altre lingue a causa delle funzionalità di Python come decoratori ecc. ( Https://wiki.python.org/moin/PythonSpeed/PerformanceTips#Data_Aggregation#Data_Aggregation ).