Apakah ada perbedaan kinerja antara tupel dan daftar ketika datang ke instantiation dan pengambilan elemen?
Apakah ada perbedaan kinerja antara tupel dan daftar ketika datang ke instantiation dan pengambilan elemen?
Jawaban:
The dis
modul disassembles kode byte untuk fungsi dan berguna untuk melihat perbedaan antara tupel dan daftar.
Dalam hal ini, Anda dapat melihat bahwa mengakses elemen menghasilkan kode yang identik, tetapi menetapkan tuple jauh lebih cepat daripada menetapkan daftar.
>>> def a():
... x=[1,2,3,4,5]
... y=x[2]
...
>>> def b():
... x=(1,2,3,4,5)
... y=x[2]
...
>>> import dis
>>> dis.dis(a)
2 0 LOAD_CONST 1 (1)
3 LOAD_CONST 2 (2)
6 LOAD_CONST 3 (3)
9 LOAD_CONST 4 (4)
12 LOAD_CONST 5 (5)
15 BUILD_LIST 5
18 STORE_FAST 0 (x)
3 21 LOAD_FAST 0 (x)
24 LOAD_CONST 2 (2)
27 BINARY_SUBSCR
28 STORE_FAST 1 (y)
31 LOAD_CONST 0 (None)
34 RETURN_VALUE
>>> dis.dis(b)
2 0 LOAD_CONST 6 ((1, 2, 3, 4, 5))
3 STORE_FAST 0 (x)
3 6 LOAD_FAST 0 (x)
9 LOAD_CONST 2 (2)
12 BINARY_SUBSCR
13 STORE_FAST 1 (y)
16 LOAD_CONST 0 (None)
19 RETURN_VALUE
ListLike
dengan __getitem__
yang melakukan sesuatu yang sangat lambat, lalu bongkar x = ListLike((1, 2, 3, 4, 5)); y = x[2]
. Bytecode akan lebih seperti contoh tuple di atas daripada contoh daftar, tetapi apakah Anda benar-benar percaya itu berarti kinerja akan serupa?
Secara umum, Anda mungkin mengharapkan tuple menjadi sedikit lebih cepat. Namun Anda harus menguji kasus spesifik Anda (jika perbedaannya mungkin berdampak pada kinerja program Anda - ingat "optimasi prematur adalah akar dari semua kejahatan").
Python membuatnya sangat mudah: timeit adalah teman Anda.
$ python -m timeit "x=(1,2,3,4,5,6,7,8)"
10000000 loops, best of 3: 0.0388 usec per loop
$ python -m timeit "x=[1,2,3,4,5,6,7,8]"
1000000 loops, best of 3: 0.363 usec per loop
dan...
$ python -m timeit -s "x=(1,2,3,4,5,6,7,8)" "y=x[3]"
10000000 loops, best of 3: 0.0938 usec per loop
$ python -m timeit -s "x=[1,2,3,4,5,6,7,8]" "y=x[3]"
10000000 loops, best of 3: 0.0649 usec per loop
Jadi dalam kasus ini, instantiasi hampir merupakan urutan besarnya lebih cepat untuk tuple, tetapi akses item sebenarnya agak lebih cepat untuk daftar! Jadi, jika Anda membuat beberapa tupel dan mengaksesnya berkali-kali, mungkin sebenarnya lebih cepat menggunakan daftar.
Tentu saja jika Anda ingin mengubah item, daftar pasti akan lebih cepat karena Anda harus membuat tuple baru untuk mengubah satu item (karena tuple tidak dapat diubah).
python -m timeit "x=tuple(xrange(999999))"
vs python -m timeit "x=list(xrange(999999))"
. Seperti yang diduga, butuh waktu lebih lama untuk mematerialisasi tuple daripada daftar.
-s "SETUP_CODE"
dijalankan sebelum kode waktu aktual.
Tuples cenderung berkinerja lebih baik daripada daftar di hampir setiap kategori:
1) Tuples dapat dilipat secara konstan .
2) Tuples dapat digunakan kembali alih-alih disalin.
3) Tuple kompak dan tidak mengalokasikan berlebihan.
4) Tuples mereferensikan elemen mereka secara langsung.
Tupel konstanta dapat dihitung dengan pengoptimal lubang pengintai Python atau pengoptimal AST. Daftar, di sisi lain, bisa dibangun dari awal:
>>> from dis import dis
>>> dis(compile("(10, 'abc')", '', 'eval'))
1 0 LOAD_CONST 2 ((10, 'abc'))
3 RETURN_VALUE
>>> dis(compile("[10, 'abc']", '', 'eval'))
1 0 LOAD_CONST 0 (10)
3 LOAD_CONST 1 ('abc')
6 BUILD_LIST 2
9 RETURN_VALUE
Menjalankan tuple(some_tuple)
kembali segera dengan sendirinya. Karena tupel tidak dapat diubah, mereka tidak harus disalin:
>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True
Sebaliknya, list(some_list)
mengharuskan semua data untuk disalin ke daftar baru:
>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False
Karena ukuran tuple ditetapkan, ia dapat disimpan lebih kompak daripada daftar yang perlu dialokasikan berlebihan untuk membuat operasi append () lebih efisien.
Ini memberi tuple keuntungan ruang yang bagus:
>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200
Berikut adalah komentar dari Objects / listobject.c yang menjelaskan apa yang dilakukan daftar:
/* This over-allocates proportional to the list size, making room
* for additional growth. The over-allocation is mild, but is
* enough to give linear-time amortized behavior over a long
* sequence of appends() in the presence of a poorly-performing
* system realloc().
* The growth pattern is: 0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...
* Note: new_allocated won't overflow because the largest possible value
* is PY_SSIZE_T_MAX * (9 / 8) + 6 which always fits in a size_t.
*/
Referensi ke objek digabungkan secara langsung dalam objek tuple. Sebaliknya, daftar memiliki lapisan tipuan ekstra ke array eksternal pointer.
Ini memberi tuple keuntungan kecepatan kecil untuk pencarian yang diindeks dan dibongkar:
$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'a[1]'
10000000 loops, best of 3: 0.0304 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'a[1]'
10000000 loops, best of 3: 0.0309 usec per loop
$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'x, y, z = a'
10000000 loops, best of 3: 0.0249 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'x, y, z = a'
10000000 loops, best of 3: 0.0251 usec per loop
Ini adalah bagaimana tuple (10, 20)
disimpan:
typedef struct {
Py_ssize_t ob_refcnt;
struct _typeobject *ob_type;
Py_ssize_t ob_size;
PyObject *ob_item[2]; /* store a pointer to 10 and a pointer to 20 */
} PyTupleObject;
Berikut cara penyimpanan daftar [10, 20]
:
PyObject arr[2]; /* store a pointer to 10 and a pointer to 20 */
typedef struct {
Py_ssize_t ob_refcnt;
struct _typeobject *ob_type;
Py_ssize_t ob_size;
PyObject **ob_item = arr; /* store a pointer to the two-pointer array */
Py_ssize_t allocated;
} PyListObject;
Perhatikan bahwa objek tuple menggabungkan dua pointer data secara langsung sementara objek daftar memiliki lapisan tipuan tambahan ke array eksternal yang memegang dua pointer data.
Internally, tuples are stored a little more efficiently than lists, and also tuples can be accessed slightly faster.
Bagaimana Anda bisa menjelaskan hasil dari jawaban dF.
tuple(some_tuple)
hanya mengembalikan some_tuple
sendiri jika some_tuple
hashable — ketika isinya secara kekal berubah dan hashable. Jika tidak, tuple(some_tuple)
kembalikan tuple baru. Misalnya, ketika some_tuple
berisi item yang bisa diubah.
Tuples, yang tidak berubah, lebih hemat memori; daftar, untuk efisiensi, memori keseluruhan untuk memungkinkan menambahkan tanpa realloc
s konstan . Jadi, jika Anda ingin beralih melalui urutan konstan nilai dalam kode Anda (misalnya for direction in 'up', 'right', 'down', 'left':
), tupel lebih disukai, karena tupel seperti itu telah dihitung sebelumnya dalam waktu kompilasi.
Kecepatan akses harus sama (keduanya disimpan sebagai array yang bersebelahan dalam memori).
Tapi, alist.append(item)
lebih disukai atuple+= (item,)
ketika Anda berurusan dengan data yang bisa berubah. Ingat, tupel dimaksudkan untuk diperlakukan sebagai catatan tanpa nama bidang.
Anda juga harus mempertimbangkan array
modul di perpustakaan standar jika semua item dalam daftar atau tupel Anda memiliki tipe C yang sama. Ini akan memakan sedikit memori dan bisa lebih cepat.
Berikut ini adalah patokan kecil lain, hanya demi itu ..
In [11]: %timeit list(range(100))
749 ns ± 2.41 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [12]: %timeit tuple(range(100))
781 ns ± 3.34 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [1]: %timeit list(range(1_000))
13.5 µs ± 466 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [2]: %timeit tuple(range(1_000))
12.4 µs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [7]: %timeit list(range(10_000))
182 µs ± 810 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [8]: %timeit tuple(range(10_000))
188 µs ± 2.38 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [3]: %timeit list(range(1_00_000))
2.76 ms ± 30.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [4]: %timeit tuple(range(1_00_000))
2.74 ms ± 31.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [10]: %timeit list(range(10_00_000))
28.1 ms ± 266 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [9]: %timeit tuple(range(10_00_000))
28.5 ms ± 447 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
Mari kita rata-rata ini:
In [3]: l = np.array([749 * 10 ** -9, 13.5 * 10 ** -6, 182 * 10 ** -6, 2.76 * 10 ** -3, 28.1 * 10 ** -3])
In [2]: t = np.array([781 * 10 ** -9, 12.4 * 10 ** -6, 188 * 10 ** -6, 2.74 * 10 ** -3, 28.5 * 10 ** -3])
In [11]: np.average(l)
Out[11]: 0.0062112498000000006
In [12]: np.average(t)
Out[12]: 0.0062882362
In [17]: np.average(t) / np.average(l) * 100
Out[17]: 101.23946713590554
Anda dapat menyebutnya hampir tidak meyakinkan.
Tetapi tentu saja, tuple mengambil 101.239%
waktu, atau 1.239%
waktu ekstra untuk melakukan pekerjaan dibandingkan dengan daftar.
Tuple harus sedikit lebih efisien dan karena itu, lebih cepat, daripada daftar karena mereka tidak berubah.
Alasan utama Tuple menjadi sangat efisien dalam membaca adalah karena itu tidak berubah.
Alasannya tuple dapat disimpan dalam cache memori, tidak seperti daftar. Program selalu membaca dari daftar lokasi memori karena dapat berubah (dapat berubah sewaktu-waktu).