您现在的位置是:首页 > 文章详情

sum() 函数性能堪忧,列表降维有何良方?

日期:2019-04-27点击:460

 

本文原创并首发于公众号【Python猫】,未经授权,请勿转载。

原文地址:https://mp.weixin.qq.com/s/mK1nav2vKykZaKw_TY-rtw

Python 的内置函数 sum() 可以接收两个参数,当第一个参数是二维列表,第二个参数是一维列表的时候,它可以实现列表降维的效果。

在上一篇《如何给列表降维?sum()函数的妙用》中,我们介绍了这个用法,还对 sum() 函数做了扩展的学习。

那篇文章发布后,猫哥收到了一些很有价值的反馈,不仅在知识面上获得了扩充,在思维能力上也得到了一些启发,因此,我决定再写一篇文章,继续跟大家聊聊 sum() 函数以及列表降维。若你读后有所启发,欢迎留言与我交流。

有些同学表示,没想到 sum() 函数竟然可以这么用,涨见识了!猫哥最初在交流群里看到这种用法时,也有同样的想法。整理成文章后,能得到别人的认可,我非常开心。

学到新东西,进行分享,最后令读者也有所获,这鼓舞了我——应该每日精进,并把所学分享出去。

也有的同学早已知道 sum() 的这个用法,还指出它的性能并不好,不建议使用。这是我不曾考虑到的问题,但又不得不认真对待。

是的,sum() 函数做列表降维有奇效,但它性能堪忧,并不是最好的选择。

因此,本文想继续探讨的话题是:(1)sum() 函数的性能到底差多少,为什么会差?(2)既然 sum() 不是最好的列表降维方法,那是否有什么替代方案呢?

stackoverflow 网站上,有人问了个“How to make a flat list out of list of lists”问题,正是我们在上篇文章中提出的问题。在回答中,有人分析了 7 种方法的时间性能。

先看看测试代码:

import functools import itertools import numpy import operator import perfplot def forfor(a):     return [item for sublist in a for item in sublist] def sum_brackets(a):     return sum(a, []) def functools_reduce(a):     return functools.reduce(operator.concat, a) def functools_reduce_iconcat(a):     return functools.reduce(operator.iconcat, a, []) def itertools_chain(a):     return list(itertools.chain.from_iterable(a)) def numpy_flat(a):     return list(numpy.array(a).flat) def numpy_concatenate(a):     return list(numpy.concatenate(a)) perfplot.show(     setup=lambda n: [list(range(10))] * n,     kernels=[         forfor, sum_brackets, functools_reduce, functools_reduce_iconcat,         itertools_chain, numpy_flat, numpy_concatenate         ],     n_range=[2**k for k in range(16)],     logx=True,     logy=True,     xlabel='num lists'     ) 

代码囊括了最具代表性的 7 种解法,使用了 perfplot (注:这是该测试者本人开发的库)作可视化,结果很直观地展示出,随着数据量的增加,这几种方法的效率变化。

从测试图中可看出,当数据量小于 10 的时候,sum() 函数的效率很高,但是,随着数据量增长,它所花的时间就出现剧增,远远超过了其它方法的损耗。

值得注意的是,functools_reduce 方法的性能曲线几乎与 sum_brackets 重合。

在另一个回答中,有人也做了 7 种方法的性能测试(巧合的是,所用的可视化库也是测试者自己开发的),在这几种方法中,functools.reduce 结合 lambda 函数,虽然写法不同,它的时间效率与 sum() 函数也基本重合:

from itertools import chain from functools import reduce from collections import Iterable  # or from collections.abc import Iterable import operator from iteration_utilities import deepflatten def nested_list_comprehension(lsts):     return [item for sublist in lsts for item in sublist] def itertools_chain_from_iterable(lsts):     return list(chain.from_iterable(lsts)) def pythons_sum(lsts):     return sum(lsts, []) def reduce_add(lsts):     return reduce(lambda x, y: x + y, lsts) def pylangs_flatten(lsts):     return list(flatten(lsts)) def flatten(items):     """Yield items from any nested iterable; see REF."""     for x in items:         if isinstance(x, Iterable) and not isinstance(x, (str, bytes)):             yield from flatten(x)         else:             yield x def reduce_concat(lsts):     return reduce(operator.concat, lsts) def iteration_utilities_deepflatten(lsts):     return list(deepflatten(lsts, depth=1)) from simple_benchmark import benchmark b = benchmark(     [nested_list_comprehension, itertools_chain_from_iterable, pythons_sum, reduce_add,      pylangs_flatten, reduce_concat, iteration_utilities_deepflatten],     arguments={2**i: [[0]*5]*(2**i) for i in range(1, 13)},     argument_name='number of inner lists' ) b.plot() 

这就证实了两点:sum() 函数确实性能堪忧;它的执行效果实际是每个子列表逐一相加(concat)。

那么,问题来了,拖慢 sum() 函数性能的原因是啥呢?

在它的实现源码中,我找到了一段注释:

/* It's tempting to use PyNumber_InPlaceAdd instead of PyNumber_Add here, to avoid quadratic running time when doing 'sum(list_of_lists, [])'.  However, this would produce a change in behaviour: a snippet like empty = [] sum([[x] for x in range(10)], empty) would change the value of empty. */ 

为了不改变 sum() 函数的第二个参数值,CPython 没有采用就地相加的方法(PyNumber_InPlaceAdd),而是采用了较耗性能的普通相加的方法(PyNumber_Add)。这种方法所耗费的时间是二次方程式的(quadratic running time)。

为什么在这里要牺牲性能呢?我猜想(只是浅薄猜测),可能有两种考虑,一是为了第二个参数(start)的一致性,因为它通常是一个数值,是不可变对象,所以当它是可变对象类型时,最好也不对它做修改;其次,为了确保 sum() 函数是个 纯函数 ,为了多次执行时能返回同样的结果。

那么,我要继续问:哪种方法是最优的呢?

综合来看,当子列表个数小于 10 时,sum() 函数几乎是最优的,与某几种方法相差不大,但是,当子列表数目增加时,最优的选择是 functools.reduce(operator.iconcat, a, []),其次是 list(itertools.chain.from_iterable(a)) 。

事实上,最优方案中的 iconcat(a, b) 等同于 a += b,它是一种就地修改的方法。

operator.iconcat(a, b) operator.__iconcat__(a, b) a = iconcat(a, b) is equivalent to a += b for a and b sequences. 

这正是 sum() 函数出于一致性考虑,而舍弃掉的实现方案。

至此,前文提出的问题都找到了答案。

我最后总结一下吧:sum() 函数采用的是非就地修改的相加方式,用作列表降维时,随着数据量增大,其性能将是二次方程式的剧增,所以说是性能堪忧;而 reduce 结合 iconcat 的方法,才是大数据量时的最佳方案。

这个结果是否与你所想的一致呢?希望本文的分享,能给你带来新的收获。

相关链接:

如何给列表降维?sum()函数的妙用 :https://mp.weixin.qq.com/s/cr_noDx6s1sZ6Xt6PDpDVQ

stackoverflow 问题:https://stackoverflow.com/questions/952914/how-to-make-a-flat-list-out-of-list-of-lists

公众号【Python猫】, 本号连载优质的系列文章,有喵星哲学猫系列、Python进阶系列、好书推荐系列、技术写作、优质英文推荐与翻译等等,欢迎关注哦。后台回复“爱学习”,免费获得一份学习大礼包。

原文链接:https://my.oschina.net/u/4051725/blog/3043076
关注公众号

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。

持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。

文章评论

共有0条评论来说两句吧...

文章二维码

扫描即可查看该文章

点击排行

推荐阅读

最新文章