要素のインスタンス化と取得に関して、タプルとリストの間にパフォーマンスの違いはありますか?
要素のインスタンス化と取得に関して、タプルとリストの間にパフォーマンスの違いはありますか?
回答:
の dis
モジュールが機能するためにバイトコードを逆アセンブルし、タプルとリストの違いを確認するのに便利です。
この場合、要素にアクセスすると同じコードが生成されますが、タプルの割り当てはリストの割り当てよりもはるかに高速です。
>>> 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
をする__getitem__
を使ってクラスを作成してから、逆アセンブルしてみてくださいx = ListLike((1, 2, 3, 4, 5)); y = x[2]
。バイトコードはリストの例よりも上のタプルの例に似ていますが、パフォーマンスが同じになることを本当に信じていますか?
一般に、タプルの方がわずかに速いと予想される場合があります。ただし、特定のケースを確実にテストする必要があります(違いがプログラムのパフォーマンスに影響を与える可能性がある場合-「時期尚早の最適化がすべての悪の根源である」ことを忘れないでください)。
Pythonはこれを非常に簡単にします。timeitはあなたの友達です。
$ 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
そして...
$ 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
したがって、この場合、インスタンス化はタプルの方がほぼ1桁速くなりますが、アイテムアクセスは実際にはリストの方がいくらか速くなります。したがって、いくつかのタプルを作成し、それらに何度もアクセスする場合は、代わりにリストを使用する方が実際には高速になる可能性があります。
もちろん、アイテムを変更したい場合は、1つのアイテムを変更するために新しいタプル全体を作成する必要があるため、リストは間違いなく高速になります(タプルは不変であるため)。
python -m timeit "x=tuple(xrange(999999))"
対python -m timeit "x=list(xrange(999999))"
。予想されるように、タプルの具体化にはリストよりも少し時間がかかります。
-s "SETUP_CODE"
実際の時限コードの前に実行されます。
タプルはリストよりもパフォーマンスが高い傾向があります、ほとんどすべてのカテゴリのます。
1)タプルは常に折りたたむことができます。
2)タプルはコピーする代わりに再利用できます。
3)タプルはコンパクトで、過剰に割り当てられません。
4)タプルはその要素を直接参照します。
定数のタプルは、PythonのピープホールオプティマイザーまたはASTオプティマイザーによって事前計算できます。一方、リストはゼロから作成されます。
>>> 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
実行tuple(some_tuple)
するとすぐに戻ります。タプルは不変なので、コピーする必要はありません。
>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True
対照的に、list(some_list)
すべてのデータを新しいリストにコピーする必要があります。
>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False
タプルのサイズは固定されているため、append()操作を効率的にするために過剰に割り当てる必要があるリストよりもコンパクトに格納できます。
これはタプルに素晴らしいスペースの利点を与えます:
>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200
以下は、リストが何をしているのかを説明するObjects / listobject.cからのコメントです。
/* 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.
*/
オブジェクトへの参照は、タプルオブジェクトに直接組み込まれます。対照的に、リストには、ポインターの外部配列への間接的な追加レイヤーがあります。
これにより、タプルにインデックス付きルックアップとアンパックの速度が少し向上します。
$ 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
ここでタプルがどのように(10, 20)
格納されます。
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;
ここにリストがどのように[10, 20]
格納されます。
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;
タプルオブジェクトには2つのデータポインターが直接組み込まれていますが、リストオブジェクトには2つのデータポインターを保持する外部配列への間接的な追加レイヤーがあります。
Internally, tuples are stored a little more efficiently than lists, and also tuples can be accessed slightly faster.
では、dFの回答の結果をどのように説明できますか?
tuple(some_tuple)
がハッシュ可能である場合、つまりその内容が再帰的に不変でハッシュ可能であるsome_tuple
場合にのみ自分自身を返しますsome_tuple
。それ以外の場合tuple(some_tuple)
は、新しいタプルを返します。たとえば、some_tuple
変更可能なアイテムが含まれている場合です。
タプルは不変であるため、メモリ効率が向上します。リストは、効率を上げるために、定数realloc
s なしの追加を可能にするためにメモリを割り当てます。したがって、コード内の値の定数シーケンスを反復処理する場合(たとえば、for direction in 'up', 'right', 'down', 'left':
:)、タプルはコンパイル時に事前計算されるため、タプルが推奨されます。
アクセス速度は同じである必要があります(どちらも連続した配列としてメモリに格納されます)。
しかし、変更可能なデータを処理alist.append(item)
するatuple+= (item,)
場合には、がはるかに優先されます。タプルはフィールド名のないレコードとして扱われることを意図していることに注意してください。
ここに、もう1つの小さなベンチマークがあります。
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)
これらを平均してみましょう:
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
あなたはそれをほとんど決定的でないと呼ぶことができます。
しかし、確かに、タプルはリストに比べて101.239%
、時間、または1.239%
仕事をするために余分な時間を要しました。
タプルは不変であるため、リストよりもわずかに効率的であり、そのためリストよりも高速です。