为什么使用`float`函数比乘以1.0慢？

Question

我知道这可能被认为是无关紧要的问题，但我写的软件是针对高性能计算环境的，所以这个3.5倍速度的提升实际上是很重要的。

In [1]: %timeit 10 / float(98765)            
1000000 loops, best of 3: 313 ns per loop

In [2]: %timeit 10 / (98765 * 1.0)
10000000 loops, best of 3: 80.6 ns per loop

我使用dis查看了代码，并且认为float（）会更慢，因为它需要一个函数调用（不幸的是我无法 dis.dis(float) 看它实际上在做什么）。

我猜第二个问题是何时应该使用float(n)，何时应该使用n * 1.0？

- Jason P

---

除了两个字典查找（全局和内置）和一个函数调用的区别外，第二个可能应用了常量折叠。 - user2357112

没有常量折叠（即当我用变量替换“98765”时），结果更接近，但是float仍然稍微慢一些。至于为什么你可能想要使用float，原因是它可以进行统一转换，比如float('1.0')。 - bereal

Answer 1

因为Peep hole优化器通过预先计算该乘法的结果来进行优化。

import dis
dis.dis(compile("10 / float(98765)", "<string>", "eval"))

  1           0 LOAD_CONST               0 (10)
              3 LOAD_NAME                0 (float)
              6 LOAD_CONST               1 (98765)
              9 CALL_FUNCTION            1
             12 BINARY_DIVIDE       
             13 RETURN_VALUE        

dis.dis(compile("10 / (98765 * 1.0)", "<string>", "eval"))

  1           0 LOAD_CONST               0 (10)
              3 LOAD_CONST               3 (98765.0)
              6 BINARY_DIVIDE       
              7 RETURN_VALUE        

它将 98765 * 1.0 的结果作为常量值存储在字节码中。因此，只需加载它并进行除法运算，而在第一种情况下，我们必须调用该函数。

我们可以这样更清晰地看到。

print compile("10 / (98765 * 1.0)", "<string>", "eval").co_consts
# (10, 98765, 1.0, 98765.0)

由于该值在编译时已经预先计算好了，所以第二个更快。

编辑：正如Davidmh在评论中指出的那样，

 

它不对除法进行优化的原因是它的行为取决于标志，例如from __future__ import division和-Q标志。

引用Python 2.7.9实际视觉缩略优化器代码的注释。

        /* Cannot fold this operation statically since
           the result can depend on the run-time presence
           of the -Qnew flag */

- thefourtheye

---

它没有对除法进行优化的原因是其行为取决于标志，例如 from __future__ import division。 - Davidmh

@Davidmh 谢谢 :) 我也在答案中包含了那个。 - thefourtheye

我知道float()（调用__float__魔术方法）的目的与乘以1.0有很大不同，但我经常看到Python 2整数除法被教为a/float(b)（或通过from __future__ import division），我试图弄清楚这里是否有超出float()能够处理具有__float__方法的任意类型的原因。 - Jason P

考虑到这个编译器不会优化除法，所以 OP 真的应该预先计算 0.0010125044f。 - user1196549

@JasonP 这个除法可以通过程序中未设置的标志位进行控制。这就是为什么它不会进行优化的原因。 - thefourtheye