前言
因为经常一训练就是很多次迭代，所以找到效率比较高的操作能大大缩短运行时间，但这方面资料不足，所以自己记录总结一下，有需要再补充
索引效率与内存占用比较
有时候我需要一个数组，然后可能会频繁从中索引数据，那么我选择list还是numpy array呢，这里做了一个简单的实验进行比较，环境python 3.6
import random
import numpy as np
import time
import sys
# import matplotlib
# matplotlib.use('agg')
import matplotlib.pyplot as plt
from collections import deque
start = time.time()
length = []
list_size = []
array_size = []
deque_size = []
list_time = []
array_time = []
deque_time = []
for l in range(5, 15000, 5):
print(l)
length.append(l)
a = [1] * l
b = np.array(a)
c = deque(maxlen=l)
for i in range(l):
c.append(1)
# print('list的size为：{}'.format(sys.getsizeof(a)))
# print('array的size为：{}'.format(sys.getsizeof(b)))
# print('deque的size为：{}'.format(sys.getsizeof(c)))
list_size.append(sys.getsizeof(a))
array_size.append(sys.getsizeof(b))
deque_size.append(sys.getsizeof(c))
for i in range(3):
if i == 0:
tmp = a
name = 'list'
elif i == 1:
tmp = b
name = 'array'
else:
tmp = c
name = 'deque'
s = time.time()
for j in range(1000000):
x = tmp[random.randint(0, len(a)-1)]
duration = time.time() - s
if name == 'list':
list_time.append(duration)
elif name == 'array':
array_time.append(duration)
else:
deque_time.append(duration)
duration = time.time() - start
time_list = [0, 0, 0]
time_list[0] = duration // 3600
time_list[1] = (duration % 3600) // 60
time_list[2] = round(duration % 60, 2)
print('用时：' + str(time_list[0]) + ' 时 ' + str(time_list[1]) + '分' + str(time_list[2]) + '秒')
fig = plt.figure()
ax1 = fig.add_subplot(211)
ax1.plot(length, list_size, label='list')
ax1.plot(length, array_size, label='array')
ax1.plot(length, deque_size, label='deque')
plt.xlabel('length')
plt.ylabel('size')
plt.legend()
ax2 = fig.add_subplot(212)
ax2.plot(length, list_time, label='list')
ax2.plot(length, array_time, label='array')
ax2.plot(length, deque_time, label='deque')
plt.xlabel('length')
plt.ylabel('time')
plt.legend()
plt.show()
对不同大小的list，numpy array和deque进行一百万次的索引，结果为
可以看出，numpy array对内存的优化很好，长度越大，其相比list和deque占用内存越少。
list比deque稍微好一点。因此如果对内存占用敏感，选择优先级：numpy array>>list>deque。
时间上，在15000以下这个长度，list基本都最快。其中
- 长度<1000左右时，deque跟list差不多，选择优先级：list≈ \approx≈deque>numpy array;
- 长度<9000左右，选择优先级：list>deque>numpy array;
- 长度>9000左右，选择优先级：list>numpy array>deque;
不过时间上的差距都不大，几乎可以忽略，差距主要体现在内存占用上。因此如果对内存不敏感，list是最好选择。
整个实验使用i7-9700，耗时2.0 时 36.0分20.27秒，如果有人愿意尝试更大的量级，更小的间隔，欢迎告知我结果。
添加效率比较
numpy的数组没有动态改变大小的功能，因此这里numpy数据只是对其进行赋值。
import numpy as np
import time
from collections import deque
l = 10000000
a = []
b = np.zeros(l)
c = deque(maxlen=l)
for i in range(3):
if i == 0:
tmp = a
name = 'list'
elif i == 1:
tmp = b
name = 'array'
else:
tmp = c
name = 'deque'
start = time.time()
if name == 'array':
for j in range(l):
tmp[j] = 1
else:
for j in range(l):
tmp.append(1)
duration = time.time() - start
time_list = [0, 0, 0]
time_list[0] = duration // 3600
time_list[1] = (duration % 3600) // 60
time_list[2] = round(duration % 60, 2)
print(name + '用时：' + str(time_list[0]) + ' 时 ' + str(time_list[1]) + '分' + str(time_list[2]) + '秒')
结果为：
list用时：0.0 时 0.0分1.0秒
array用时：0.0 时 0.0分1.14秒
deque用时：0.0 时 0.0分0.99秒
可以看出，只有在非常大的量级上才会出现区别，numpy array的赋值是最慢的，list和deque差不多。
但平时这些差距几乎可以忽略。
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程网。
