Python 哪種方式循環(huán)最快，或許顛覆你的認(rèn)知！
眾所周知，Python 不是一種執(zhí)行效率較高的語(yǔ)言。此外在任何語(yǔ)言中，循環(huán)都是一種非常消耗時(shí)間的操作。假如任意一種簡(jiǎn)單的單步操作耗費(fèi)的時(shí)間為 1 個(gè)單位，將此操作重復(fù)執(zhí)行上萬(wàn)次，最終耗費(fèi)的時(shí)間也將增長(zhǎng)上萬(wàn)倍。
while 和 for 是 Python 中常用的兩種實(shí)現(xiàn)循環(huán)的關(guān)鍵字，它們的運(yùn)行效率實(shí)際上是有差距的。比如下面的測(cè)試代碼：
import timeit
def while_loop(n=100_000_000):
i = 0
s = 0
while i < n:
s += i
i += 1
return s
def for_loop(n=100_000_000):
s = 0
for i in range(n):
s += i
return s
def main():
print('while loop\t\t', timeit.timeit(while_loop, number=1))
print('for loop\t\t', timeit.timeit(for_loop, number=1))
if __name__ == '__main__':
main()
# => while loop 4.718853999860585
# => for loop 3.211570399813354
這是一個(gè)簡(jiǎn)單的求和操作，計(jì)算從 1 到 n 之間所有自然數(shù)的總和。可以看到 for 循環(huán)相比 while 要快 1.5 秒。
其中的差距主要在于兩者的機(jī)制不同。
在每次循環(huán)中，while 實(shí)際上比 for 多執(zhí)行了兩步操作：邊界檢查和變量 i 的自增。即每進(jìn)行一次循環(huán)，while 都會(huì)做一次邊界檢查 (while i < n）和自增計(jì)算（i +=1）。這兩步操作都是顯式的純 Python 代碼。
for 循環(huán)不需要執(zhí)行邊界檢查和自增操作，沒有增加顯式的 Python 代碼（純 Python 代碼效率低于底層的 C 代碼）。當(dāng)循環(huán)的次數(shù)足夠多，就出現(xiàn)了明顯的效率差距。
可以再增加兩個(gè)函數(shù)，在 for 循環(huán)中加上不必要的邊界檢查和自增計(jì)算：
import timeit
def while_loop(n=100_000_000):
i = 0
s = 0
while i < n:
s += i
i += 1
return s
def for_loop(n=100_000_000):
s = 0
for i in range(n):
s += i
return s
def for_loop_with_inc(n=100_000_000):
s = 0
for i in range(n):
s += i
i += 1
return s
def for_loop_with_test(n=100_000_000):
s = 0
for i in range(n):
if i < n:
pass
s += i
return s
def main():
print('while loop\t\t', timeit.timeit(while_loop, number=1))
print('for loop\t\t', timeit.timeit(for_loop, number=1))
print('for loop with increment\t\t',
timeit.timeit(for_loop_with_inc, number=1))
print('for loop with test\t\t', timeit.timeit(for_loop_with_test, number=1))
if __name__ == '__main__':
main()
# => while loop 4.718853999860585
# => for loop 3.211570399813354
# => for loop with increment 4.602369500091299
# => for loop with test 4.18337869993411
可以看出，增加的邊界檢查和自增操作確實(shí)大大影響了 for 循環(huán)的執(zhí)行效率。
前面提到過，Python 底層的解釋器和內(nèi)置函數(shù)是用 C 語(yǔ)言實(shí)現(xiàn)的。而 C 語(yǔ)言的執(zhí)行效率遠(yuǎn)大于 Python。
對(duì)于上面的求等差數(shù)列之和的操作，借助于 Python 內(nèi)置的 sum 函數(shù)，可以獲得遠(yuǎn)大于 for 或 while 循環(huán)的執(zhí)行效率。
import timeit
def while_loop(n=100_000_000):
i = 0
s = 0
while i < n:
s += i
i += 1
return s
def for_loop(n=100_000_000):
s = 0
for i in range(n):
s += i
return s
def sum_range(n=100_000_000):
return sum(range(n))
def main():
print('while loop\t\t', timeit.timeit(while_loop, number=1))
print('for loop\t\t', timeit.timeit(for_loop, number=1))
print('sum range\t\t', timeit.timeit(sum_range, number=1))
if __name__ == '__main__':
main()
# => while loop 4.718853999860585
# => for loop 3.211570399813354
# => sum range 0.8658821999561042
可以看到，使用內(nèi)置函數(shù) sum 替代循環(huán)之后，代碼的執(zhí)行效率實(shí)現(xiàn)了成倍的增長(zhǎng)。
內(nèi)置函數(shù) sum 的累加操作實(shí)際上也是一種循環(huán)，但它由 C 語(yǔ)言實(shí)現(xiàn)，而 for 循環(huán)中的求和操作是由純 Python 代碼 s += i 實(shí)現(xiàn)的。C > Python。
再拓展一下思維。小時(shí)候都聽說過童年高斯巧妙地計(jì)算 1 到 100 之和的故事。1…100 之和等于 (1 + 100) * 50。這個(gè)計(jì)算方法同樣可以應(yīng)用到上面的求和操作中。
import timeit
def while_loop(n=100_000_000):
i = 0
s = 0
while i < n:
s += i
i += 1
return s
def for_loop(n=100_000_000):
s = 0
for i in range(n):
s += i
return s
def sum_range(n=100_000_000):
return sum(range(n))
def math_sum(n=100_000_000):
return (n * (n - 1)) // 2
def main():
print('while loop\t\t', timeit.timeit(while_loop, number=1))
print('for loop\t\t', timeit.timeit(for_loop, number=1))
print('sum range\t\t', timeit.timeit(sum_range, number=1))
print('math sum\t\t', timeit.timeit(math_sum, number=1))
if __name__ == '__main__':
main()
# => while loop 4.718853999860585
# => for loop 3.211570399813354
# => sum range 0.8658821999561042
# => math sum 2.400018274784088e-06
最終 math sum 的執(zhí)行時(shí)間約為 2.4e-6，縮短了上百萬(wàn)倍。這里的思路就是，既然循環(huán)的效率低，一段代碼要重復(fù)執(zhí)行上億次。
索性直接不要循環(huán)，通過數(shù)學(xué)公式，把上億次的循環(huán)操作變成只有一步操作。效率自然得到了空前的加強(qiáng)。
最后的結(jié)論（有點(diǎn)謎語(yǔ)人）：
實(shí)現(xiàn)循環(huán)的最快方式—— —— ——就是不用循環(huán)
對(duì)于 Python 而言，則盡可能地使用內(nèi)置函數(shù)，將循環(huán)中的純 Python 代碼降到最低。
