Python 中的（命名）元组字典和速度/RAM 性能

Question

我正在创建一个d包含一百万个元组项目的字典，理想情况下我想通过以下方式访问它们：

d[1634].id       # or  d[1634]['id']
d[1634].name     # or  d[1634]['name']
d[1634].isvalid  # or  d[1634]['isvalid']

而不是d[1634][0], d[1634][1]，d[1634][2]后者不太明确。

根据我的测试：

import os, psutil, time, collections, typing
Tri = collections.namedtuple('Tri', 'id,name,isvalid')
Tri2 = typing.NamedTuple("Tri2", [('id', int), ('name', str), ('isvalid', bool)])
t0 = time.time()
# uncomment only one of these 4 next lines:
d = {i: (i+1, 'hello', True) for i in range(1000000)}                                 # tuple
# d = {i: {'id': i+1, 'name': 'hello', 'isvalid': True} for i in range(1000000)}      # dict
# d = {i: Tri(id=i+1, name='hello', isvalid=True) for i in range(1000000)}            # namedtuple
# d = {i: Tri2(id=i+1, name='hello', isvalid=True) for i in range(1000000)}            # NamedTuple
print('%.3f s  %.1f MB' % (time.time()-t0, psutil.Process(os.getpid()).memory_info().rss / 1024 ** 2))

"""
tuple:       0.257 s  193.3 MB
dict:        0.329 s  363.6 MB
namedtuple:  1.253 s  193.3 MB  (collections)
NamedTuple:  1.250 s  193.5 MB  (typing)
"""

• 与使用 a 相比，使用dicta 会使 RAM 使用量翻倍tuple
• 与 a 相比，使用 a namedtupleorNamedTuple会花费 5 倍的时间tuple。

问题：Python 3 中是否有类似元组的数据结构，允许使用 、 等访问数据x.id，x.name并且 RAM 和 CPU 效率高吗？

---

笔记：

• 在我的实际用例中，它tuple类似于类型的 C 结构(uint64, uint64, bool)。

• 我也尝试过：

  • slots（为了避免内部对象__dict__，请参阅__slots__ 的用法？）

  • dataclass:

    @dataclasses.dataclass
    class Tri3:
        id: int
        ...
    

  • ctypes.Structure:

    class Tri7(ctypes.Structure):
        _fields_ = [("id", ctypes.c_int), ...]
    

  但它并没有更好（全部都是 1.2 秒），tuple在性能方面与正品相差甚远

• 以下是其他选项：Python 中的 C-like 结构

Answer 1

Cython 的cdef 类可能就是您想要的：它们比纯 Python 类使用更少的内存，即使在访问成员时会付出更多的开销（因为字段存储为 C 值而不是 Python 对象）。

例如：

%%cython
cdef class CTuple:
    cdef public unsigned long long int id
    cdef public str name
    cdef public bint isvalid
    
    def __init__(self, id, name, isvalid):
        self.id = id
        self.name = name
        self.isvalid = isvalid

可以根据需要使用：

ob=CTuple(1,"mmm",3)
ob.id, ob.name, ob.isvalid # prints (2, "mmm", 3)

时间/内存消耗：

首先，我的机器上的基线：

0.258 s  252.4 MB  # tuples
0.343 s  417.5 MB  # dict
1.181 s  264.0 MB  # namedtuple collections

我们得到CTuple：

0.306 s  191.0 MB

其速度几乎一样快，并且需要的内存要少得多。

如果 C 类型的成员在编译时不清楚，可以使用简单的 python 对象：

%%cython
cdef class PTuple:
    cdef public object id
    cdef public object name
    cdef public object isvalid
    
    def __init__(self, id, name, isvalid):
        self.id = id
        self.name = name
        self.isvalid = isvalid

时间安排有点令人惊讶：

0.648 s  249.8 MB

我没想到它会比CTuple-version 慢那么多，但至少比命名元组快两倍。

这种方法的一个缺点是它需要编译。然而，Cython 提供了cython.inline可用于编译动态创建的 Cython 代码的功能。

我已经发布了cynamedtuple它可以通过安装pip install cynamedtuple，并且基于以下原型：

import cython

# for generation of cython code:
tab = "    "
def create_members_definition(name_to_ctype):
    members = []
    for my_name, my_ctype in name_to_ctype.items():
        members.append(tab+"cdef public "+my_ctype+" "+my_name)
    return members

def create_signature(names):
    return tab + "def __init__(self,"+", ".join(names)+"):"

def create_initialization(names):
    inits = [tab+tab+"self."+x+" = "+x for x in names]
    return inits

def create_cdef_class_code(classname, names):
    code_lines = ["cdef class " + classname + ":"]
    code_lines.extend(create_members_definition(names))
    code_lines.append(create_signature(names.keys()))
    code_lines.extend(create_initialization(names.keys()))
    return "\n".join(code_lines)+"\n"

# utilize cython.inline to generate and load pyx-module:
def create_cnamedtuple_class(classname, names):
    code = create_cdef_class_code(classname, names)
    code = code + "GenericClass = " + classname +"\n"
    ret = cython.inline(code)
    return ret["GenericClass"]

可以按如下方式使用，CTuple从上面动态定义：

CTuple = create_cnamedtuple_class("CTuple", 
                                 {"id":"unsigned long long int", 
                                  "name":"str",
                                  "isvalid":"bint"})

ob = CTuple(1,"mmm",3)
... 

另一种选择是使用 jit 编译和 Numba 的jitted 类来提供这种可能性。然而，它们似乎慢得多：

from numba import jitclass, types

spec = [
    ('id', types.uint64), 
    ('name', types.string),
    ('isvalid',  types.uint8),
]

@jitclass(spec)
class NBTuple(object):
    def __init__(self, id, name, isvalid):
        self.id = id
        self.name = name
        self.isvalid = isvalid

结果是：

20.622 s  394.0 MB

所以 numba jitted 课程还不是一个好的选择。