python map比for循環快的原因是什么？相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。
這里有三個process, 每個任務將通過增加循環提高時間復雜度
def process1(val, type=None): chr(val % 123) def process2(val, type): if type == "list": [process1(_) for _ in range(val)] elif type == "for": for _ in range(val): process1(_) elif type == "map": list(map(lambda _: process1(_), range(val))) def process3(val, type): if type == "list": [process2(_, type) for _ in range(val)] elif type == "for": for _ in range(val): process2(_, type) elif type == "map": list(map(lambda _: process2(_, type), range(val)))
然后通過三種循環方式，去依次執行三種任務
def list_comp(): [process1(i, "list") for i in range(length)] # [process2(i, "list") for i in range(length)] # [process3(i, "list") for i in range(length)] def for_loop(): for i in range(length): process1(i, "for") # process2(i, "for") # process3(i, "for") def map_exp(): list(map(lambda v: process1(v, "map"), range(length))) # list(map(lambda v: process2(v, "map"), range(length))) # list(map(lambda v: process3(v, "map"), range(length)))
從上述的圖像中，可以直觀的看到， 隨著任務復雜度的提高以及數據量的增大，每個循環完成需要的時間也在增加，
但是map方式花費的時間明顯比其他兩種要更多。 所以在不需要返回處理結果時，選擇標準for或者列表解析都可以。
因為標準for循環和列表解析方式在循環任務復雜度逐漸提高的情況下，處理時間基本沒有差異。
需要返回結果
這里有三個task, 每個任務將通過增加循環提高時間復雜度
def task1(val, type=None): return chr(val % 123) def task2(val, type): if type == "list": return [task1(_) for _ in range(val)] elif type == "for": res = list() for _ in range(val): res.append(task1(_)) return res elif type == "map": return list(map(lambda _: task1(_), range(val))) def task3(val, type): if type == "list": return [task2(_, type) for _ in range(val)] elif type == "for": res = list() for _ in range(val): res.append(task2(_, type)) return res elif type == "map": return list(map(lambda _: task2(_, type), range(val)))
然后通過三種循環方式，去依次執行三種任務
def list_comp(): # return [task1(i, "list") for i in range(length)] return [task2(i, "list") for i in range(length)] # return [task3(i, "list") for i in range(length)] def for_loop(): res = list() for i in range(length): # res.append(task1(i, "for")) res.append(task2(i, "for")) # res.append(task3(i, "for")) return res def map_exp(): # return list(map(lambda v: task1(v, "map"), range(length))) return list(map(lambda v: task2(v, "map"), range(length))) # return list(map(lambda v: task3(v, "map"), range(length)))
從上述的圖像中，可以直觀的看到， 隨著任務復雜度的提高以及數據量的增大，每個循環完成需要的時間也在增加，
但是明顯看出， 使用list_comp列表解析在， 循環需要返回處理結果的每次任務中都表現的很好，基本快于其他兩種迭代方式。
而標準for循環和map方式在循環任務復雜度逐漸提高的情況下，處理時間基本沒有差異。
為什么普遍認為map比for快？
我認為可能跟處理的數據量有關系，大部分場景下，使用者只測試了少量的數據（100W以下，比如這篇文章,就是數據量比較少，導致速度的區別不明顯），在少量的數據集下，我們確實看到了map方式比for循環快，甚至有時候比列表解析還稍微快一點，但是當我們逐漸把數據量增加原來的100倍，這時候差距的凸現出來了。
如上圖，在小數據集上（100W-1KW之間）, 三者消耗的時間差不多相等，但是用map方式遍歷和處理，還是有一定的加速優勢。
具體實驗代碼可以通過Github獲得
看完上述內容，你們掌握python map比for循環快的原因是什么的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
