Эффективные способы дублирования массива/списка в Python

Примечание. Я разработчик Ruby, пытающийся найти свой путь в Python.

Когда я хотел выяснить, почему некоторые скрипты используют mylist[:] вместо list(mylist) для дублирования списков, я сделал быстрый тест различных методов дублирования range(10) (см. код ниже).

EDIT: Я обновил тесты, чтобы использовать Python timeit, как это предлагается ниже. Это делает невозможным прямое сравнение с Ruby, поскольку timeit не учитывает цикл, пока Ruby Benchmark делает, поэтому код Ruby используется только для справки.

Python 2.7.2

Array duplicating. Tests run 50000000 times
list(a)     18.7599430084
copy(a)     59.1787488461
a[:]         9.58828091621
a[0:len(a)] 14.9832749367

Для справки я написал тот же самый script в Ruby:

Ruby 1.9.2p0

Array duplicating. Tests 50000000 times
                      user     system      total        real
Array.new(a)     14.590000   0.030000  14.620000 ( 14.693033)
Array[*a]        18.840000   0.060000  18.900000 ( 19.156352)
a.take(a.size)    8.780000   0.020000   8.800000 (  8.805700)
a.clone          16.310000   0.040000  16.350000 ( 16.384711)
a[0,a.size]       8.950000   0.020000   8.970000 (  8.990514)

Вопрос 1:, что mylist[:] делает по-другому, что он на 25% быстрее, чем даже mylist[0:len(mylist)]. Копирует ли она в памяти напрямую или что?

Вопрос 2: изменить: обновленные тесты не показывают больших различий в Python и Ruby. был:. Я реализовал тесты некоторым явно неэффективным способом, так что код Ruby намного быстрее, чем Python?

Теперь списки кодов:

Python:

import timeit

COUNT = 50000000

print "Array duplicating. Tests run", COUNT, "times"

setup = 'a = range(10); import copy'

print "list(a)\t\t", timeit.timeit(stmt='list(a)', setup=setup, number=COUNT)
print "copy(a)\t\t", timeit.timeit(stmt='copy.copy(a)', setup=setup, number=COUNT)
print "a[:]\t\t", timeit.timeit(stmt='a[:]', setup=setup, number=COUNT)
print "a[0:len(a)]\t", timeit.timeit(stmt='a[0:len(a)]', setup=setup, number=COUNT)

Ruby:

require 'benchmark'

a = (0...10).to_a

COUNT = 50_000_000

puts "Array duplicating. Tests #{COUNT} times"

Benchmark.bm(16) do |x|
  x.report("Array.new(a)")   {COUNT.times{ Array.new(a) }}
  x.report("Array[*a]")   {COUNT.times{ Array[*a] }}
  x.report("a.take(a.size)")   {COUNT.times{ a.take(a.size) }}
  x.report("a.clone")    {COUNT.times{ a.clone }}
  x.report("a[0,a.size]"){COUNT.times{ a[0,a.size] }}
end
+8
источник поделиться
2 ответа

Используйте timeit модуль в python для тестирования таймингов.

from copy import *

a=range(1000)

def cop():
    b=copy(a)

def func1():
    b=list(a)

def slice():
    b=a[:]

def slice_len():
    b=a[0:len(a)]



if __name__=="__main__":
    import timeit
    print "copy(a)",timeit.timeit("cop()", setup="from __main__ import cop")
    print "list(a)",timeit.timeit("func1()", setup="from __main__ import func1")
    print "a[:]",timeit.timeit("slice()", setup="from __main__ import slice")
    print "a[0:len(a)]",timeit.timeit("slice_len()", setup="from __main__ import slice_len")

Результаты:

copy(a) 3.98940896988
list(a) 2.54542589188
a[:] 1.96630120277                   #winner
a[0:len(a)] 10.5431251526

Конечно, дополнительные шаги, участвующие в a[0:len(a)], являются причиной его медленности.

Здесь сравнение байтового кода двух:

In [19]: dis.dis(func1)
  2           0 LOAD_GLOBAL              0 (range)
              3 LOAD_CONST               1 (100000)
              6 CALL_FUNCTION            1
              9 STORE_FAST               0 (a)

  3          12 LOAD_FAST                0 (a)
             15 SLICE+0             
             16 STORE_FAST               1 (b)
             19 LOAD_CONST               0 (None)
             22 RETURN_VALUE        

In [20]: dis.dis(func2)
  2           0 LOAD_GLOBAL              0 (range)
              3 LOAD_CONST               1 (100000)
              6 CALL_FUNCTION            1
              9 STORE_FAST               0 (a)

  3          12 LOAD_FAST                0 (a)    #same up to here
             15 LOAD_CONST               2 (0)    #loads 0
             18 LOAD_GLOBAL              1 (len) # loads the builtin len(),
                                                 # so it might take some lookup time
             21 LOAD_FAST                0 (a)
             24 CALL_FUNCTION            1         
             27 SLICE+3             
             28 STORE_FAST               1 (b)
             31 LOAD_CONST               0 (None)
             34 RETURN_VALUE        
+9
источник

Я не могу прокомментировать время рубина по сравнению с таймером python. Но я могу прокомментировать list vs. slice. Здесь быстрый просмотр байт-кода:

>>> import dis
>>> a = range(10)
>>> def func(a):
...     return a[:]
... 
>>> def func2(a):
...     return list(a)
... 
>>> dis.dis(func)
  2           0 LOAD_FAST                0 (a)
              3 SLICE+0             
              4 RETURN_VALUE        
>>> dis.dis(func2)
  2           0 LOAD_GLOBAL              0 (list)
              3 LOAD_FAST                0 (a)
              6 CALL_FUNCTION            1
              9 RETURN_VALUE 

Обратите внимание, что для list требуется LOAD_GLOBAL найти функцию list. Глянг-глобулы (и вызывающие функции) в python относительно медленны. Это объясняет, почему a[0:len(a)] также медленнее. Также помните, что list должен иметь возможность обрабатывать произвольные итераторы, тогда как нарезка - нет. Это означает, что list необходимо выделить новый список, упаковать элементы в этот список, поскольку он выполняет итерацию по списку и при необходимости изменяет размер. Здесь есть несколько вещей, которые являются дорогостоящими - при необходимости изменяя размер и итерируя (эффективно в python, а не в C). С помощью метода нарезки вы можете рассчитать размер необходимой вам памяти, поэтому, возможно, избежать изменения размера, и итерация может быть выполнена полностью на C (возможно, с memcpy или чем-то.

отказ от ответственности: я не разработчик python, поэтому я не знаю, как реализованы внутренние функции list(). Я просто размышляю о том, что знаю о спецификации.

EDIT. Итак, я посмотрел на источник (с небольшим руководством от Martijn). Соответствующий код находится в listobject.c. list вызывает list_init, который затем вызывает listextend в строке 799. Эта функция имеет некоторые проверки, чтобы увидеть, может ли она использовать быструю ветвь, если объект является списком или кортежем (строка 812). Наконец, тяжелый подъем выполняется с линии 834:

 src = PySequence_Fast_ITEMS(b);
 dest = self->ob_item + m;
 for (i = 0; i < n; i++) {
     PyObject *o = src[i];
     Py_INCREF(o);
     dest[i] = o;
 }

Сравните это со срединной версией, которая, как мне кажется, определена в list_subscript (строка 2544). Это вызывает list_slice (строка 2570), где тяжелый подъем выполняется следующим циклом (строка 486):

 src = a->ob_item + ilow;
 dest = np->ob_item;
 for (i = 0; i < len; i++) {
     PyObject *v = src[i];
     Py_INCREF(v);
     dest[i] = v;
 }

Они похожи на один и тот же код, поэтому неудивительно, что производительность почти одинакова для больших списков (где накладные расходы на мелкие вещи, такие как распаковка срезов, поиск глобальных переменных и т.д., становятся менее важными)


Вот как я буду запускать тесты python (и результаты для моей системы Ubuntu):

$ python -m timeit -s 'a=range(30)' 'list(a)'
1000000 loops, best of 3: 0.39 usec per loop
$ python -m timeit -s 'a=range(30)' 'a[:]'
10000000 loops, best of 3: 0.183 usec per loop
$ python -m timeit -s 'a=range(30)' 'a[0:len(a)]'
1000000 loops, best of 3: 0.254 usec per loop
+5
источник

Посмотрите другие вопросы по меткам или Задайте вопрос