實驗結論

如果不需要返回結果

這里有三個process, 每個任務將通過增加循環提高時間復雜度

def process1(val, type=None): chr(val % 123)def process2(val, type): if type == 'list': [process1(_) for _ in range(val)] elif type == 'for': for _ in range(val): process1(_) elif type == 'map': list(map(lambda _: process1(_), range(val)))def process3(val, type): if type == 'list': [process2(_, type) for _ in range(val)] elif type == 'for': for _ in range(val): process2(_, type) elif type == 'map': list(map(lambda _: process2(_, type), range(val)))

然后通過三種循環方式，去依次執行三種任務

def list_comp(): [process1(i, 'list') for i in range(length)] # [process2(i, 'list') for i in range(length)] # [process3(i, 'list') for i in range(length)]def for_loop(): for i in range(length): process1(i, 'for') # process2(i, 'for') # process3(i, 'for')def map_exp(): list(map(lambda v: process1(v, 'map'), range(length))) # list(map(lambda v: process2(v, 'map'), range(length))) # list(map(lambda v: process3(v, 'map'), range(length)))

從上述的圖像中，可以直觀的看到， 隨著任務復雜度的提高以及數據量的增大，每個循環完成需要的時間也在增加，但是map方式花費的時間明顯比其他兩種要更多。 所以在不需要返回處理結果時，選擇標準for或者列表解析都可以。

因為標準for循環和列表解析方式在循環任務復雜度逐漸提高的情況下，處理時間基本沒有差異。

需要返回結果

這里有三個task, 每個任務將通過增加循環提高時間復雜度

def task1(val, type=None): return chr(val % 123)def task2(val, type): if type == 'list': return [task1(_) for _ in range(val)] elif type == 'for': res = list() for _ in range(val): res.append(task1(_)) return res elif type == 'map': return list(map(lambda _: task1(_), range(val)))def task3(val, type): if type == 'list': return [task2(_, type) for _ in range(val)] elif type == 'for': res = list() for _ in range(val): res.append(task2(_, type)) return res elif type == 'map': return list(map(lambda _: task2(_, type), range(val)))

然后通過三種循環方式，去依次執行三種任務

def list_comp(): # return [task1(i, 'list') for i in range(length)] return [task2(i, 'list') for i in range(length)] # return [task3(i, 'list') for i in range(length)]def for_loop(): res = list() for i in range(length): # res.append(task1(i, 'for')) res.append(task2(i, 'for')) # res.append(task3(i, 'for')) return resdef map_exp(): # return list(map(lambda v: task1(v, 'map'), range(length))) return list(map(lambda v: task2(v, 'map'), range(length))) # return list(map(lambda v: task3(v, 'map'), range(length)))

從上述的圖像中，可以直觀的看到， 隨著任務復雜度的提高以及數據量的增大，每個循環完成需要的時間也在增加，但是明顯看出， 使用list_comp列表解析在， 循環需要返回處理結果的每次任務中都表現的很好，基本快于其他兩種迭代方式。

而標準for循環和map方式在循環任務復雜度逐漸提高的情況下，處理時間基本沒有差異。

為什么普遍認為map比for快？

我認為可能跟處理的數據量有關系，大部分場景下，使用者只測試了少量的數據（100W以下，比如這篇文章,就是數據量比較少，導致速度的區別不明顯），在少量的數據集下，我們確實看到了map方式比for循環快，甚至有時候比列表解析還稍微快一點，但是當我們逐漸把數據量增加原來的100倍，這時候差距的凸現出來了。

如上圖，在小數據集上（100W-1KW之間）, 三者消耗的時間差不多相等，但是用map方式遍歷和處理，還是有一定的加速優勢。具體實驗代碼可以通過Github獲得

以上就是python 為什么map比for循環快的詳細內容，更多關于python map和for循環的資料請關注好吧啦網其它相關文章！