如果性能是一个问题,考虑使用直接访问/理解方法,正如这个答案所建议的那样。它比对大型集合使用islice
要快得多:
import timeit
setup = """
import collections, itertools
d = collections.deque(range(10000))
"""
print timeit.timeit('list(itertools.islice(d, 9000, 9010))', setup, number=10000)
print timeit.timeit('[d[i] for i in range(9000, 9010)]', setup, number=10000)
根据@RaymondHettinger的评论,当切片较短时,推导式方法才更好。在更长的切片上,islice胜出。例如,这里是从偏移量6000切片一个包含10000个项的deque的时间:
偏移量 长度 islice compr
6000 10 400.496 46.611
6000 50 424.600 183.988
6000 90 432.277 237.894
6000 130 441.289 352.383
6000 170 431.299 404.596
6000 210 456.405 546.503
6000 250 448.895 575.995
6000 290 485.802 778.294
6000 330 483.704 781.703
6000 370 490.904 948.501
6000 410 500.011 875.807
6000 450 508.213 1045.299
6000 490 518.894 1010.203
6000 530 530.887 1192.784
6000 570 534.415 1151.013
6000 610 530.887 1504.779
6000 650 539.279 1486.802
6000 690 536.084 1650.810
6000 730 549.698 1454.687
6000 770 564.909 1576.114
6000 810 545.001 1588.297
6000 850 564.504 1711.607
6000 890 584.197 1760.793
6000 930 564.480 1963.091
6000 970 586.390 1955.199
6000 1010 590.706 2117.491
推导式对前几个切片的处理速度非常快,但随着长度的增加,性能急剧下降。islice在较小的切片上速度较慢,但其平均速度要好得多。
我是这样测试的:
import timeit
size = 10000
repeats = 100
setup = """
import collections, itertools
d = collections.deque(range(%d))
""" % size
print '%5s\t%5s\t%10s\t%10s' % ('offset', 'length', 'islice', 'compr')
for offset in range(0, size - 2000, 2000):
for length in range(10, 2000, 40):
t1 = timeit.timeit('list(itertools.islice(d, %d, %d))' % (offset, offset + length), setup, number=repeats)
t2 = timeit.timeit('[d[i] for i in range(%d, %d)]' % (offset, offset + length), setup, number=repeats)
print '%5d\t%5d\t%10.3f\t%10.3f' % (offset, length, t1 * 100000, t2 * 100000)
deque
来提高性能(实际上是作为循环缓冲区),因此每个周期将数据复制到列表中并不理想。 - Drew Noakes