Python哪種方式循環(huán)最快呢？

眾所周知，Python 不是一種執(zhí)行效率較高的語言。此外在任何語言中，循環(huán)都是一種非常消耗時間的操作。假如任意一種簡單的單步操作耗費的時間為 1 個單位，將此操作重復(fù)執(zhí)行上萬次，最終耗費的時間也將增長上萬倍。

while和for是 Python 中常用的兩種實現(xiàn)循環(huán)的關(guān)鍵字，它們的運行效率實際上是有差距的。比如下面的測試代碼：

importtimeit


defwhile_loop(n=100_000_000):
i=0
s=0
whileiwhileloop4.718853999860585
#=>forloop3.211570399813354

這是一個簡單的求和操作，計算從 1 到 n 之間所有自然數(shù)的總和?？梢钥吹絝or循環(huán)相比while要快 1.5 秒。

其中的差距主要在于兩者的機制不同。

在每次循環(huán)中，while實際上比for多執(zhí)行了兩步操作：邊界檢查和變量i的自增。即每進(jìn)行一次循環(huán)，while 都會做一次邊界檢查 (while i < n）和自增計算（i +=1）。這兩步操作都是顯式的純 Python 代碼。

for循環(huán)不需要執(zhí)行邊界檢查和自增操作，沒有增加顯式的 Python 代碼（純 Python 代碼效率低于底層的 C 代碼）。當(dāng)循環(huán)的次數(shù)足夠多，就出現(xiàn)了明顯的效率差距。

可以再增加兩個函數(shù)，在for循環(huán)中加上不必要的邊界檢查和自增計算：

importtimeit


defwhile_loop(n=100_000_000):
i=0
s=0
whileiwhileloop4.718853999860585
#=>forloop3.211570399813354
#=>forloopwithincrement4.602369500091299
#=>forloopwithtest4.18337869993411

可以看出，增加的邊界檢查和自增操作確實大大影響了for循環(huán)的執(zhí)行效率。

前面提到過，Python 底層的解釋器和內(nèi)置函數(shù)是用 C 語言實現(xiàn)的。而 C 語言的執(zhí)行效率遠(yuǎn)大于 Python。

對于上面的求等差數(shù)列之和的操作，借助于 Python 內(nèi)置的sum函數(shù)，可以獲得遠(yuǎn)大于for或while循環(huán)的執(zhí)行效率。

importtimeit


defwhile_loop(n=100_000_000):
i=0
s=0
whileiwhileloop4.718853999860585
#=>forloop3.211570399813354
#=>sumrange0.8658821999561042

可以看到，使用內(nèi)置函數(shù)sum替代循環(huán)之后，代碼的執(zhí)行效率實現(xiàn)了成倍的增長。

內(nèi)置函數(shù)sum的累加操作實際上也是一種循環(huán)，但它由 C 語言實現(xiàn)，而for循環(huán)中的求和操作是由純 Python 代碼s += i實現(xiàn)的。C > Python。

再拓展一下思維。小時候都聽說過童年高斯巧妙地計算 1 到 100 之和的故事。1…100 之和等于 (1 + 100) * 50。這個計算方法同樣可以應(yīng)用到上面的求和操作中。

importtimeit


defwhile_loop(n=100_000_000):
i=0
s=0
whileiwhileloop4.718853999860585
#=>forloop3.211570399813354
#=>sumrange0.8658821999561042
#=>mathsum2.400018274784088e-06

最終 math sum 的執(zhí)行時間約為2.4e-6，縮短了上百萬倍。這里的思路就是，既然循環(huán)的效率低，一段代碼要重復(fù)執(zhí)行上億次。

索性直接不要循環(huán)，通過數(shù)學(xué)公式，把上億次的循環(huán)操作變成只有一步操作。效率自然得到了空前的加強。

最后的結(jié)論（有點謎語人）：

實現(xiàn)循環(huán)的最快方式—— —— ——就是不用循環(huán)

對于 Python 而言，則盡可能地使用內(nèi)置函數(shù)，將循環(huán)中的純 Python 代碼降到最低。

審核編輯：劉清