Создайте список с начальной емкостью на Python

Списки Python не имеют встроенного предварительного распределения. Если вам действительно нужно составить список и вам нужно избежать накладных расходов на добавление (и вы должны убедиться, что вы это делаете), вы можете сделать это:

l = [None] * 1000 # Make a list of 1000 None's
for i in xrange(1000):
    # baz
    l[i] = bar
    # qux

Возможно, вы могли бы избежать списка, используя вместо этого генератор:

def my_things():
    while foo:
        #baz
        yield bar
        #qux

for thing in my_things():
    # do something with thing

Таким образом, список не хранится полностью в памяти, а просто создается по мере необходимости.

Насколько я понимаю, списки Python уже очень похожи на ArrayLists. Но если вы хотите настроить эти параметры, я нашел этот пост в Интернете, который может быть интересным (в основном, просто создайте свое собственное расширение ScalableList):

http://mail.python.org/pipermail/python-list/2000-May/035082.html

def doAppend( size=10000 ):
    result = []
    for i in range(size):
        message= "some unique object %d" % ( i, )
        result.append(message)
    return result

def doAllocate( size=10000 ):
    result=size*[None]
    for i in range(size):
        message= "some unique object %d" % ( i, )
        result[i]= message
    return result

Полученные результаты. (оцените каждую функцию 144 раза и усредните продолжительность)

simple append 0.0102
pre-allocate  0.0098

Заключение. Это не имеет значения.

Преждевременная оптимизация - корень всех зол.

Я запустил Код С.Лотта и произвел такое же увеличение производительности на 10% за счет предварительного выделения. Я попробовал Идея Неда Батчелдера с использованием генератора и смог увидеть производительность генератора лучше, чем doAllocate. Для моего проекта улучшение на 10% имеет значение, поэтому спасибо всем, так как это очень помогает.

def doAppend(size=10000):
    result = []
    for i in range(size):
        message = "some unique object %d" % ( i, )
        result.append(message)
    return result

def doAllocate(size=10000):
    result = size*[None]
    for i in range(size):
        message = "some unique object %d" % ( i, )
        result[i] = message
    return result

def doGen(size=10000):
    return list("some unique object %d" % ( i, ) for i in xrange(size))

size = 1000
@print_timing
def testAppend():
    for i in xrange(size):
        doAppend()

@print_timing
def testAlloc():
    for i in xrange(size):
        doAllocate()

@print_timing
def testGen():
    for i in xrange(size):
        doGen()


testAppend()
testAlloc()
testGen()

Выход

testAppend took 14440.000ms
testAlloc took 13580.000ms
testGen took 13430.000ms

Краткая версия: используйте

pre_allocated_list = [None] * size

для предварительного распределения списка (то есть, чтобы иметь возможность обращаться к элементам «размера» списка вместо постепенного формирования списка путем добавления). Эта операция выполняется быстро очень даже для больших списков. Выделение новых объектов, которые позже будут назначены элементам списка, займет на много больше времени и станет узким местом в в вашей программе с точки зрения производительности.

Длинная версия:

Думаю, что нужно учитывать время инициализации.

Поскольку в Python все является ссылкой, не имеет значения, устанавливаете ли вы каждый элемент в Никто или в какую-либо строку - в любом случае это всего лишь ссылка. Хотя это займет больше времени, если вы захотите создать новый объект для каждого элемента, на который будет ссылаться.

Для Python 3.2:

import time
import copy

def print_timing (func):
  def wrapper (*arg):
    t1 = time.time()
    res = func (*arg)
    t2 = time.time ()
    print ("{} took {} ms".format (func.__name__, (t2 - t1) * 1000.0))
    return res

  return wrapper

@print_timing
def prealloc_array (size, init = None, cp = True, cpmethod = copy.deepcopy, cpargs = (), use_num = False):
  result = [None] * size
  if init is not None:
    if cp:
      for i in range (size):
          result[i] = init
    else:
      if use_num:
        for i in range (size):
            result[i] = cpmethod (i)
      else:
        for i in range (size):
            result[i] = cpmethod (cpargs)
  return result

@print_timing
def prealloc_array_by_appending (size):
  result = []
  for i in range (size):
    result.append (None)
  return result

@print_timing
def prealloc_array_by_extending (size):
  result = []
  none_list = [None]
  for i in range (size):
    result.extend (none_list)
  return result

def main ():
  n = 1000000
  x = prealloc_array_by_appending(n)
  y = prealloc_array_by_extending(n)
  a = prealloc_array(n, None)
  b = prealloc_array(n, "content", True)
  c = prealloc_array(n, "content", False, "some object {}".format, ("blah"), False)
  d = prealloc_array(n, "content", False, "some object {}".format, None, True)
  e = prealloc_array(n, "content", False, copy.deepcopy, "a", False)
  f = prealloc_array(n, "content", False, copy.deepcopy, (), False)
  g = prealloc_array(n, "content", False, copy.deepcopy, [], False)

  print ("x[5] = {}".format (x[5]))
  print ("y[5] = {}".format (y[5]))
  print ("a[5] = {}".format (a[5]))
  print ("b[5] = {}".format (b[5]))
  print ("c[5] = {}".format (c[5]))
  print ("d[5] = {}".format (d[5]))
  print ("e[5] = {}".format (e[5]))
  print ("f[5] = {}".format (f[5]))
  print ("g[5] = {}".format (g[5]))

if __name__ == '__main__':
  main()

Оценка:

prealloc_array_by_appending took 118.00003051757812 ms
prealloc_array_by_extending took 102.99992561340332 ms
prealloc_array took 3.000020980834961 ms
prealloc_array took 49.00002479553223 ms
prealloc_array took 316.9999122619629 ms
prealloc_array took 473.00004959106445 ms
prealloc_array took 1677.9999732971191 ms
prealloc_array took 2729.999780654907 ms
prealloc_array took 3001.999855041504 ms
x[5] = None
y[5] = None
a[5] = None
b[5] = content
c[5] = some object blah
d[5] = some object 5
e[5] = a
f[5] = []
g[5] = ()

Как видите, просто создание большого списка ссылок на один и тот же объект Никто занимает очень мало времени.

Подготовка или расширение занимает больше времени (я ничего не усреднял, но, выполнив это несколько раз, я могу сказать вам, что расширение и добавление занимают примерно одно и то же время).

Выделение нового объекта для каждого элемента - вот что отнимает больше всего времени. И Ответ С.Лотта делает это - каждый раз форматирует новую строку. Это не является строго обязательным - если вы хотите предварительно выделить какое-то пространство, просто составьте список None, а затем назначьте данные элементам списка по своему желанию. В любом случае для генерации данных требуется больше времени, чем для добавления / расширения списка, независимо от того, генерируете ли вы его при создании списка или после этого. Но если вам нужен редко заполненный список, то начать со списка Никто определенно быстрее.

Пифонический способ для этого:

x = [None] * numElements

Или любое другое значение по умолчанию, которое вы хотите предварительно заполнить, например

bottles = [Beer()] * 99
sea = [Fish()] * many
vegetarianPizzas = [None] * peopleOrderingPizzaNotQuiche

(Пусть покупатель будет бдителен: синтаксис [Beer()] * 99 создает одинBeer, а затем заполняет массив 99 ссылками на один и тот же экземпляр)

Подход Python по умолчанию может быть довольно эффективным, хотя эта эффективность снижается по мере увеличения количества элементов.

Сравнивать

import time

class Timer(object):
    def __enter__(self):
        self.start = time.time()
        return self

    def __exit__(self, *args):
        end = time.time()
        secs = end - self.start
        msecs = secs * 1000  # Millisecs
        print('%fms' % msecs)

Elements   = 100000
Iterations = 144

print('Elements: %d, Iterations: %d' % (Elements, Iterations))


def doAppend():
    result = []
    i = 0
    while i < Elements:
        result.append(i)
        i += 1

def doAllocate():
    result = [None] * Elements
    i = 0
    while i < Elements:
        result[i] = i
        i += 1

def doGenerator():
    return list(i for i in range(Elements))


def test(name, fn):
    print("%s: " % name, end = "")
    with Timer() as t:
        x = 0
        while x < Iterations:
            fn()
            x += 1


test('doAppend', doAppend)
test('doAllocate', doAllocate)
test('doGenerator', doGenerator)

с

#include <vector>
typedef std::vector<unsigned int> Vec;

static const unsigned int Elements = 100000;
static const unsigned int Iterations = 144;

void doAppend()
{
    Vec v;
    for (unsigned int i = 0; i < Elements; ++i) {
        v.push_back(i);
    }
}

void doReserve()
{
    Vec v;
    v.reserve(Elements);
    for (unsigned int i = 0; i < Elements; ++i) {
        v.push_back(i);
    }
}

void doAllocate()
{
    Vec v;
    v.resize(Elements);
    for (unsigned int i = 0; i < Elements; ++i) {
        v[i] = i;
    }
}

#include <iostream>
#include <chrono>
using namespace std;

void test(const char* name, void(*fn)(void))
{
    cout << name << ": ";

    auto start = chrono::high_resolution_clock::now();
    for (unsigned int i = 0; i < Iterations; ++i) {
        fn();
    }
    auto end = chrono::high_resolution_clock::now();

    auto elapsed = end - start;
    cout << chrono::duration<double, milli>(elapsed).count() << "ms\n";
}

int main()
{
    cout << "Elements: " << Elements << ", Iterations: " << Iterations << '\n';

    test("doAppend", doAppend);
    test("doReserve", doReserve);
    test("doAllocate", doAllocate);
}

В моей Windows 7 Core i7 64-битный Python дает

Elements: 100000, Iterations: 144
doAppend: 3587.204933ms
doAllocate: 2701.154947ms
doGenerator: 1721.098185ms

Хотя C++ дает (построен с Microsoft Visual C++, 64-бит, оптимизация включена)

Elements: 100000, Iterations: 144
doAppend: 74.0042ms
doReserve: 27.0015ms
doAllocate: 5.0003ms

Сборка отладки C++ производит:

Elements: 100000, Iterations: 144
doAppend: 2166.12ms
doReserve: 2082.12ms
doAllocate: 273.016ms

Дело в том, что с Python вы можете добиться повышения производительности на 7-8%, и если вы думаете, что пишете высокопроизводительное приложение (или если вы пишете что-то, что используется в веб-службе или чем-то еще), тогда это не следует нюхать, но вам, возможно, придется переосмыслить свой выбор языка.

Кроме того, код Python здесь не совсем код Python. Переключение на настоящий Pythonesque код здесь дает лучшую производительность:

import time

class Timer(object):
    def __enter__(self):
        self.start = time.time()
        return self

    def __exit__(self, *args):
        end = time.time()
        secs = end - self.start
        msecs = secs * 1000  # millisecs
        print('%fms' % msecs)

Elements   = 100000
Iterations = 144

print('Elements: %d, Iterations: %d' % (Elements, Iterations))


def doAppend():
    for x in range(Iterations):
        result = []
        for i in range(Elements):
            result.append(i)

def doAllocate():
    for x in range(Iterations):
        result = [None] * Elements
        for i in range(Elements):
            result[i] = i

def doGenerator():
    for x in range(Iterations):
        result = list(i for i in range(Elements))


def test(name, fn):
    print("%s: " % name, end = "")
    with Timer() as t:
        fn()


test('doAppend', doAppend)
test('doAllocate', doAllocate)
test('doGenerator', doGenerator)

Который дает

Elements: 100000, Iterations: 144
doAppend: 2153.122902ms
doAllocate: 1346.076965ms
doGenerator: 1614.092112ms

(в 32-битной версии doGenerator работает лучше, чем doAllocate).

Здесь разрыв между doAppend и doAllocate значительно больше.

Очевидно, что различия здесь действительно применимы только в том случае, если вы делаете это более нескольких раз, или если вы делаете это в сильно загруженной системе, где эти числа будут увеличиваться на порядки, или если вы имеете дело с значительно большие списки.

Дело здесь: сделайте это по-питонски для лучшей производительности.

Но если вы беспокоитесь об общей высокоуровневой производительности, Python - неправильный язык. Самая фундаментальная проблема заключается в том, что вызовы функций Python традиционно выполнялись до 300 раз медленнее, чем другие языки, из-за таких функций Python, как декораторы и т. д. (PythonSpeed ​​/ PerformanceTips, агрегирование данных).

Опасения по поводу предварительного распределения в Python возникают, если вы работаете с NumPy, который имеет больше массивов типа C. В этом случае проблемы предварительного распределения связаны с формой данных и значением по умолчанию.

Рассмотрите NumPy, если вы выполняете численные вычисления в огромных списках и хотите производительности.

Для некоторых приложений словарь может быть тем, что вы ищете. Например, в методе find_totient мне было удобнее использовать словарь, так как у меня не было нулевого индекса.

def totient(n):
    totient = 0

    if n == 1:
        totient = 1
    else:
        for i in range(1, n):
            if math.gcd(i, n) == 1:
                totient += 1
    return totient

def find_totients(max):
    totients = dict()
    for i in range(1,max+1):
        totients[i] = totient(i)

    print('Totients:')
    for i in range(1,max+1):
        print(i,totients[i])

Эту проблему также можно решить с помощью предварительно выделенного списка:

def find_totients(max):
    totients = None*(max+1)
    for i in range(1,max+1):
        totients[i] = totient(i)

    print('Totients:')
    for i in range(1,max+1):
        print(i,totients[i])

Я считаю, что это не так элегантно и подвержено ошибкам, потому что я храню None, который может вызвать исключение, если я случайно использую их неправильно, и потому, что мне нужно подумать о крайних случаях, которых карта позволяет мне избежать.

Это правда, что словарь не будет таким эффективным, но, как отмечали другие, различия в скорости маленький не всегда стоят опасностей обслуживания существенный.

Как уже упоминалось, самый простой способ предварительно заполнить список - использовать объекты NoneType.

При этом вы должны понимать, как на самом деле работают списки Python, прежде чем решить, что это необходимо.

В реализации списка CPython базовый массив всегда создается с дополнительным пространством, постепенно увеличивая размер ( 4, 8, 16, 25, 35, 46, 58, 72, 88, 106, 126, 148, 173, 201, 233, 269, 309, 354, 405, 462, 526, 598, 679, 771, 874, 990, 1120, etc), так что изменение размера списка происходит не так часто.

Из-за такого поведения функции самыйlist.append() представляют собой сложность O(1) для добавлений, увеличивая сложность только при пересечении одной из этих границ, и в этот момент сложность будет равна O(n). Такое поведение приводит к минимальному увеличению времени выполнения в Ответ С.Лотта.

Источник: Реализация списка Python