我对这两个函数进行了基准测试(它们将成对解压缩回源列表,来自这里):
n = 10**7
a = list(range(n))
b = list(range(n))
pairs = list(zip(a, b))
def f1(a, b, pairs):
a[:], b[:] = zip(*pairs)
def f2(a, b, pairs):
for i, (a[i], b[i]) in enumerate(pairs):
pass
Run Code Online (Sandbox Code Playgroud)
结果timeit.timeit(五轮,数字为秒):
f1 1.06 f2 1.57
f1 0.96 f2 1.69
f1 1.00 f2 1.85
f1 1.11 f2 1.64
f1 0.95 f2 1.63
Run Code Online (Sandbox Code Playgroud)
显然f1比 快很多f2,对吧?
但后来我也测量了timeit.default_timer并得到了完全不同的图片:
f1 7.28 f2 1.92
f1 5.34 f2 1.66
f1 6.46 f2 1.70
f1 …Run Code Online (Sandbox Code Playgroud) 我使用的是带有8GB内存和1.7GHz Core i5的Python 2.7.5 @ Mac OS X 10.9.3.我测试了时间消耗如下.
d = {i:i*2 for i in xrange(10**7*3)} #WARNING: it takes time and consumes a lot of RAM
%time for k in d: k,d[k]
CPU times: user 6.22 s, sys: 10.1 ms, total: 6.23 s
Wall time: 6.23 s
%time for k,v in d.iteritems(): k, v
CPU times: user 7.67 s, sys: 27.1 ms, total: 7.7 s
Wall time: 7.69 s
Run Code Online (Sandbox Code Playgroud)
似乎iteritems更慢.我想知道iteritems比直接访问dict有什么好处.
更新:获得更准确的时间配置文件
In [23]: %timeit -n 5 for k in d: …Run Code Online (Sandbox Code Playgroud) 我经常使用Django构建相当复杂的python应用程序.为了简化应用程序间接口,我有时会使用从模型中抽象出来的service.py模块.
作为这些"聚合功能",它们经常以循环导入结束,通过将import语句放在服务函数中可以轻松消除这些导入.
是否存在与通常移动进口尽可能接近其使用点相关的显着性能或内存成本?例如,如果我只在文件的一个函数中使用特定的导入名称,那么将导入放在该特定函数中而不是在传统位置的文件顶部似乎很自然.
此问题与此问题略有不同,因为每个导入都在函数名称空间中.
我有一组数字,例如:
A = [1, 5, 2, 4, 3]
Run Code Online (Sandbox Code Playgroud)
和一个确定排名的数组,例如:
B = [0, 2, 1]
Run Code Online (Sandbox Code Playgroud)
我的目标是找到A"服从"等级B的所有子阵列.如果子阵列服从等级,则意味着子阵列的第i个最小元素必须具有B[i]其(子阵列)索引.因此,对于要匹配的子阵列,其中的最小元素必须位于位置0,第二个小元素必须位于位置2,并且最大元素必须位于位置1.
例如,这里有两个与排名匹配的A子阵列:[1,5,2](因为A [0] <A [2] <A [1])和[2,4,3].
到目前为止,我已经设法找到一个解决方案,其中O(mn)(m是len(A)和n是len(B))时间复杂度,它遍历所有长度为3的子数组并验证它们是否正确排序:
A = [1, 5, 2, 4, 3]
B = [0, 2, 1]
m = len(A)
n = len(B)
for i in range(m - n + 1):
current_subarray = A[i:i + n]
# we now do n - 1 comparaisons to check whether the subarray is correctly ordered.
for B_index in range(n - 1):
if …Run Code Online (Sandbox Code Playgroud) 我使用以下python代码对我的服务器进行基准测试:
import time
initial_clock = time.clock()
res = 0
for i in range(1, 10000000):
res += i * i
print (time.clock() - initial_clock)
Run Code Online (Sandbox Code Playgroud)
当我多次运行它时,我会得到不同的执行时间,从2.163377秒到2.970836秒.我知道相同的代码可能由于CPU负载的变化而具有不同的执行时间,但正如time.clock文档中所述,它只考虑当前的进程时钟,因此time.clock()即使使用不同,它也应该具有相同的执行时间time.time().不应该?
无论如何我还能获得clock一段python代码的确切数量吗?
编辑:我使用time.process_time()并获得相同的结果.
python ×4
algorithm ×1
clock ×1
cpu-usage ×1
dictionary ×1
iterator ×1
performance ×1
python-2.7 ×1
ranking ×1