实验结论
- 如果需要在循环结束后获得结果，推荐列表解析；
- 如果不需要结果，直接使用for循环, 列表解析可以备选;
- 除了追求代码优雅和特定规定情境，不建议使用map
如果不需要返回结果
这里有三个process, 每个任务将通过增加循环提高时间复杂度
def process1(val, type=None): chr(val % 123) def process2(val, type): if type == "list": [process1(_) for _ in range(val)] elif type == "for": for _ in range(val): process1(_) elif type == "map": list(map(lambda _: process1(_), range(val))) def process3(val, type): if type == "list": [process2(_, type) for _ in range(val)] elif type == "for": for _ in range(val): process2(_, type) elif type == "map": list(map(lambda _: process2(_, type), range(val)))
然后通过三种循环方式，去依次执行三种任务
def list_comp(): [process1(i, "list") for i in range(length)] # [process2(i, "list") for i in range(length)] # [process3(i, "list") for i in range(length)] def for_loop(): for i in range(length): process1(i, "for") # process2(i, "for") # process3(i, "for") def map_exp(): list(map(lambda v: process1(v, "map"), range(length))) # list(map(lambda v: process2(v, "map"), range(length))) # list(map(lambda v: process3(v, "map"), range(length)))
从上述的图像中，可以直观的看到， 随着任务复杂度的提高以及数据量的增大，每个循环完成需要的时间也在增加，
但是map方式花费的时间明显比其他两种要更多。 所以在不需要返回处理结果时，选择标准for或者列表解析都可以。
因为标准for循环和列表解析方式在循环任务复杂度逐渐提高的情况下，处理时间基本没有差异。
需要返回结果
这里有三个task, 每个任务将通过增加循环提高时间复杂度
def task1(val, type=None): return chr(val % 123) def task2(val, type): if type == "list": return [task1(_) for _ in range(val)] elif type == "for": res = list() for _ in range(val): res.append(task1(_)) return res elif type == "map": return list(map(lambda _: task1(_), range(val))) def task3(val, type): if type == "list": return [task2(_, type) for _ in range(val)] elif type == "for": res = list() for _ in range(val): res.append(task2(_, type)) return res elif type == "map": return list(map(lambda _: task2(_, type), range(val)))
然后通过三种循环方式，去依次执行三种任务
def list_comp(): # return [task1(i, "list") for i in range(length)] return [task2(i, "list") for i in range(length)] # return [task3(i, "list") for i in range(length)] def for_loop(): res = list() for i in range(length): # res.append(task1(i, "for")) res.append(task2(i, "for")) # res.append(task3(i, "for")) return res def map_exp(): # return list(map(lambda v: task1(v, "map"), range(length))) return list(map(lambda v: task2(v, "map"), range(length))) # return list(map(lambda v: task3(v, "map"), range(length)))
从上述的图像中，可以直观的看到， 随着任务复杂度的提高以及数据量的增大，每个循环完成需要的时间也在增加，
但是明显看出， 使用list_comp列表解析在， 循环需要返回处理结果的每次任务中都表现的很好，基本快于其他两种迭代方式。
而标准for循环和map方式在循环任务复杂度逐渐提高的情况下，处理时间基本没有差异。
为什么普遍认为map比for快？
我认为可能跟处理的数据量有关系，大部分场景下，使用者只测试了少量的数据（100W以下，比如这篇文章,就是数据量比较少，导致速度的区别不明显），在少量的数据集下，我们确实看到了map方式比for循环快，甚至有时候比列表解析还稍微快一点，但是当我们逐渐把数据量增加原来的100倍，这时候差距的凸现出来了。
如上图，在小数据集上（100W-1KW之间）, 三者消耗的时间差不多相等，但是用map方式遍历和处理，还是有一定的加速优势。
具体实验代码可以通过Github获得
以上就是python 为什么map比for循环快的详细内容，更多关于python map和for循环的资料请关注其它相关文章！
免责声明：本站资源来自互联网收集,仅供用于学习和交流,请遵循相关法律法规,本站一切资源不代表本站立场,如有侵权、后门、不妥请联系本站删除！
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！
昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？