各种姿势
比如说有一个简单的任务，就是从 1 累加到 1 亿，我们至少可以有 7 种方法来实现，列举如下：
1、while 循环
def while_loop(n=100_000_000):
i = 0
s = 0
while i < n:
s += i
i += 1
return s2、for 循环
def for_loop(n=100_000_000):
s = 0
for i in range(n):
s += i
return s3、sum range
def sum_range(n=100_000_000):
return sum(range(n))4、sum generator（生成器）
def sum_generator(n=100_000_000):
return sum(i for i in range(n))5、sum list comprehension（列表推导式）
def sum_list_comp(n=100_000_000):
return sum([i for i in range(n)])6、sum numpy
import numpy
def sum_numpy(n=100_000_000):
return numpy.sum(numpy.arange(n, dtype=numpy.int64))7、sum numpy python range
import numpy
def sum_numpy_python_range(n=100_000_000):
return numpy.sum(range(n))上述 7 种方法得到的结果是一样的，但是消耗的时间却各不相同，你可以猜测一下哪一个方法最快，然后看下面代码的执行结果：
import timeit
def main():
l_align = 25
print(f'{"1、while 循环":<{l_align}} {timeit.timeit(while_loop, number=1):.6f}')
print(f"{'2、for 循环':<{l_align}} {timeit.timeit(for_loop, number=1):.6f}")
print(f'{"3、sum range":<{l_align}} {timeit.timeit(sum_range, number=1):.6f}')
print(f'{"4、sum generator":<{l_align}} {timeit.timeit(sum_generator, number=1):.6f}')
print(f'{"5、sum list comprehension":<{l_align}} {timeit.timeit(sum_list_comp, number=1):.6f}')
print(f'{"6、sum numpy":<{l_align}} {timeit.timeit(sum_numpy, number=1):.6f}')
print(f'{"7、sum numpy python range":<{l_align}} {timeit.timeit(sum_numpy_python_range, number=1):.6f}')
if __name__ == '__main__':
main()执行结果如下所示：
比较快的姿势
for 比 while 块
for 和 while 本质上在做相同的事情，但是 while 是纯 Python 代码，而 for 是调用了 C 扩展来对变量进行递增和边界检查，我们知道 CPython 解释器就是 C 语言编写的，Python 代码要比 C 代码慢，而 for 循环代表 C，while 循环代表 Python，因此 for 比 while 快。
numpy 内置的 sum 要比 Python 的 sum 快
numpy 主要是用 C 编写的，相同的功能，肯定是 numpy 的快，类似的，numpy 的 arange 肯定比 Python 的 range 快。
交叉使用会更慢
numpy 的 sum 与 Python 的 range 结合使用，结果耗时最长，见方法 7。最好是都使用 numpy 包来完成任务，像方法 6。
生成器比列表推导式更快
生成器是惰性的，不会一下子生成 1 亿个数字，而列表推导式会一下子申请全部的数字，内存占有较高不说，还不能有效地利用缓存，因此性能稍差。
最后
本文分享了几种遍历求和的方法，对比了它们的性能，给出了相应的结论
到此这篇关于Python中最快循环姿势的文章就介绍到这了,更多相关Python最快循环姿势内容请搜索编程网以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程网！
