«Предварительная обработка» функции Python, чтобы избежать избыточной оценки условной логики

Отвечать:

Да, он делает то, что вы думаете. Самый простой способ узнать это — просто добавить несколько операторов печати.

def initialize(initialState):
    state = initialState
    print(f"I am executed on initialization: {state}")
    def f(increment): 
        nonlocal state
        print(f"I am incrementing {state} by {increment}")
        state = state + increment

    return f

fun = initialize(10)
fun(5)
fun(20)

выход

I am executed on initialization: 10
I am incrementing 10 by 5
I am incrementing 15 by 20

В стороне:

Возможно, ваш пример слишком упрощен, но логика, которую вы извлекаете, чрезвычайно проста. Такого ускорения вы не получите. Я не уверен, есть ли дополнительный код между условием и возвратом, но объявлять возвращаемое значение и затем увеличивать его на основе результата условия нет необходимости.

Здесь я сравнил ваш подход с двумя разными упрощениями, и оба обеспечивают ускорение. Python — действительно странный язык. Каждый известный мне компилируемый язык способен исключить инструкции ветвления при использовании тернарного кода. Я ожидаю, что троичный подход будет самым быстрым.

import timeit

def approach1(): 
    def preprocessor (parameter_array):
        condition = parameter_array[0]
        index = parameter_array[1]
        return lambda x_array: x_array[index] ** 2 if condition else x_array[index] - 5
    test_parameters = [True, 1]
    function = preprocessor(test_parameters)
    sum = 0
    for i in range(100000):
        sum += function([i, i])
    
def approach2():
    def preprocessor (parameter_array):
        condition = parameter_array[0]
        index = parameter_array[1]
        def f (x_array):
            result = 0
            if (condition):
                result += x_array[index] ** 2
            else:
                result += x_array[index] - 5
            return result
        return f
    
    test_parameters = [True, 1]
    function = preprocessor(test_parameters)
    sum = 0
    for i in range(100000):
        sum += function([i, i])

def approach3():
    def preprocessor (parameter_array):
        condition = parameter_array[0]
        index = parameter_array[1]
        def f (x_array):
            if (condition):
                return x_array[index] ** 2
            return x_array[index] - 5
        return f
    test_parameters = [True, 1]
    function = preprocessor(test_parameters)
    sum = 0
    for i in range(100000):
        sum += function([i, i])

n = 100
print(timeit.timeit(approach1, number=n))
print(timeit.timeit(approach2, number=n))
print(timeit.timeit(approach3, number=n))

выход

0.8117037120027817
0.9467067930017947
0.8014805819984758

P.S.

Хотя эти типы оптимизации могут быть интересными и помочь вам узнать о характеристиках производительности языка, гораздо лучше потратить время на оптимизацию таких вещей, как используемые вами алгоритмы. Если вам действительно нужна производительность, Python не для вас.