众所周知，Python不是一种执行效率较高的语言。此外在任何语言中，循环都是一种非常消耗时间的操作。假如任意一种简单的单步操作耗费的时间为1个单位，将此操作重复执行上万次，最终耗费的时间也将增长上万倍。
While和For是Python中常用的两种实现循环的关键字，它们的运行效率实际上是有差距的。比如下面的测试代码：
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
29import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def main(): print('while looptt', timeit.timeit(while_loop, number=1)) print('for looptt', timeit.timeit(for_loop, number=1)) if __name__ == '__main__': main() # => while loop 4.718853999860585 # => for loop 3.211570399813354
这是一个简单的求和操作，计算从1到n之间所有自然数的总和。可以看到For循环相比While要快1.5秒。
其中的差距主要在于两者的机制不同。
在每次循环中，While实际上比For多执行了两步操作：边界检查和变量i的自增。即每进行一次循环，While都会做一次边界检查 (While i < n）和自增计算（i +=1）。这两步操作都是显示的纯Python代码。
For循环不需要执行边界检查和自增操作，没有增加显示的Python代码（纯Python代码效率低于底层的 C代码）。当循环的次数足够多，就出现了明显的效率差距。
可以再增加两个函数，在For循环中加上不必要的边界检查和自增计算：
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
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def for_loop_with_inc(n=100_000_000): s = 0 for i in range(n): s += i i += 1 return s def for_loop_with_test(n=100_000_000): s = 0 for i in range(n): if i < n: pass s += i return s def main(): print('while looptt', timeit.timeit(while_loop, number=1)) print('for looptt', timeit.timeit(for_loop, number=1)) print('for loop with incrementtt', timeit.timeit(for_loop_with_inc, number=1)) print('for loop with testtt', timeit.timeit(for_loop_with_test, number=1)) if __name__ == '__main__': main() # => while loop 4.718853999860585 # => for loop 3.211570399813354 # => for loop with increment 4.602369500091299 # => for loop with test 4.18337869993411
可以看出，增加的边界检查和自增操作确实大大影响了For循环的执行效率。
前面提到过，Python底层的解释器和内置函数是用C语言实现的。而C语言的执行效率远大于Python。
对于上面的求等差数列之和的操作，借助于Python内置的Sum函数，可以获得远大于 For或While循环的执行效率。
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
35import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def sum_range(n=100_000_000): return sum(range(n)) def main(): print('while looptt', timeit.timeit(while_loop, number=1)) print('for looptt', timeit.timeit(for_loop, number=1)) print('sum rangett', timeit.timeit(sum_range, number=1)) if __name__ == '__main__': main() # => while loop 4.718853999860585 # => for loop 3.211570399813354 # => sum range 0.8658821999561042
可以看到，使用内置函数Sum替代循环之后，代码的执行效率实现了成倍的增长。
内置函数Sum的累加操作实际上也是一种循环，但它由C语言实现，而For循环中的求和操作是由纯Python代码s += i实现的。C > Python。
再拓展一下思维。小时候都听说过童年高斯巧妙地计算1到100之和的故事。1…100 之和等于 (1 + 100) * 50。这个计算方法同样可以应用到上面的求和操作中。
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
35
36
37
38
39
40
41import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def sum_range(n=100_000_000): return sum(range(n)) def math_sum(n=100_000_000): return (n * (n - 1)) // 2 def main(): print('while looptt', timeit.timeit(while_loop, number=1)) print('for looptt', timeit.timeit(for_loop, number=1)) print('sum rangett', timeit.timeit(sum_range, number=1)) print('math sumtt', timeit.timeit(math_sum, number=1)) if __name__ == '__main__': main() # => while loop 4.718853999860585 # => for loop 3.211570399813354 # => sum range 0.8658821999561042 # => math sum 2.400018274784088e-06
最终Math sum的执行时间约为2.4e-6，缩短了上百万倍。这里的思路就是，既然循环的效率低，一段代码要重复执行上亿次。
索性直接不要循环，通过数学公式，把上亿次的循环操作变成只有一步操作。效率自然得到了空前的加强。最后的结论（有点谜语人）：
实现循环的最快方式—— —— ——就是不用循环
对于Python而言，则尽可能地使用内置函数，将循环中的纯Python代码降到最低。
最后
以上就是苹果纸飞机最近收集整理的关于Python实现循环的最快方式（for、while等速度对比）的全部内容，更多相关Python实现循环内容请搜索靠谱客的其他文章。
发表评论 取消回复