在 Python 中元组比列表更高效吗？

问题描述：

在实例化和检索元素时，元组和列表之间是否存在性能差异？

解决方案 1：

概括

元组在几乎所有类别中的表现都比列表更好：

1. 元组可以进行常量折叠。

2. 元组可以被重复使用，而不需要复制。

3. 元组是紧凑的并且不会过度分配。

4. 元组直接引用其元素。

元组可以进行常量折叠

常量元组可以由 Python 的窥孔优化器或 AST 优化器预先计算。另一方面，列表是从头开始构建的：

    >>> from dis import dis

    >>> dis(compile("(10, 'abc')", '', 'eval'))
      1           0 LOAD_CONST               2 ((10, 'abc'))
                  3 RETURN_VALUE   
 
    >>> dis(compile("[10, 'abc']", '', 'eval'))
      1           0 LOAD_CONST               0 (10)
                  3 LOAD_CONST               1 ('abc')
                  6 BUILD_LIST               2
                  9 RETURN_VALUE 

元组不需要复制

运行后tuple(some_tuple)会立即返回。由于元组是不可变的，因此不需要复制它们：

>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True

相反，list(some_list)需要将所有数据复制到新列表：

>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False

元组不会过度分配

由于元组的大小是固定的，因此它可以比需要过度分配才能提高append()操作效率的列表更紧凑地存储。

这给元组带来了很大的空间优势：

>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200

以下是Objects/listobject.c中的注释，解释了列表的作用：

/* This over-allocates proportional to the list size, making room
 * for additional growth.  The over-allocation is mild, but is
 * enough to give linear-time amortized behavior over a long
 * sequence of appends() in the presence of a poorly-performing
 * system realloc().
 * The growth pattern is:  0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...
 * Note: new_allocated won't overflow because the largest possible value
 *       is PY_SSIZE_T_MAX * (9 / 8) + 6 which always fits in a size_t.
 */

元组直接引用其元素

对对象的引用直接包含在元组对象中。相比之下，列表对外部指针数组有额外的间接层。

这使得元组在索引查找和解包方面具有轻微的速度优势：

$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'a[1]'
10000000 loops, best of 3: 0.0304 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'a[1]'
10000000 loops, best of 3: 0.0309 usec per loop

$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'x, y, z = a'
10000000 loops, best of 3: 0.0249 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'x, y, z = a'
10000000 loops, best of 3: 0.0251 usec per loop

元组的(10, 20)存储方式如下：

    typedef struct {
        Py_ssize_t ob_refcnt;
        struct _typeobject *ob_type;
        Py_ssize_t ob_size;
        PyObject *ob_item[2];     /* store a pointer to 10 and a pointer to 20 */
    } PyTupleObject;

列表的[10, 20]存储方式如下：

    PyObject arr[2];              /* store a pointer to 10 and a pointer to 20 */

    typedef struct {
        Py_ssize_t ob_refcnt;
        struct _typeobject *ob_type;
        Py_ssize_t ob_size;
        PyObject **ob_item = arr; /* store a pointer to the two-pointer array */
        Py_ssize_t allocated;
    } PyListObject;

请注意，元组对象直接包含两个数据指针，而列表对象对保存两个数据指针的外部数组有一个额外的间接层。

解决方案 2：

一般而言，您可能希望元组稍微快一些。但是，您一定要测试您的具体情况（如果差异可能会影响程序的性能——请记住“过早优化是万恶之源”）。

Python 使这变得非常容易：timeit是你的朋友。

$ python -m timeit "x=(1,2,3,4,5,6,7,8)"
10000000 loops, best of 3: 0.0388 usec per loop

$ python -m timeit "x=[1,2,3,4,5,6,7,8]"
1000000 loops, best of 3: 0.363 usec per loop

和...

$ python -m timeit -s "x=(1,2,3,4,5,6,7,8)" "y=x[3]"
10000000 loops, best of 3: 0.0938 usec per loop

$ python -m timeit -s "x=[1,2,3,4,5,6,7,8]" "y=x[3]"
10000000 loops, best of 3: 0.0649 usec per loop

因此，在这种情况下，元组的实例化几乎快了一个数量级，但列表的项目访问实际上要快一些！因此，如果您要创建几个元组并多次访问它们，那么使用列表实际上可能更快。

当然，如果您想更改某个项目，列表肯定会更快，因为您需要创建一个全新的元组来更改其中一个项目（因为元组是不可变的）。

解决方案 3：

该dis模块反汇编函数的字节码，有助于查看元组和列表之间的区别。

在这种情况下，您可以看到访问元素会生成相同的代码，但分配元组比分配列表要快得多。

>>> def a():
...     x=[1,2,3,4,5]
...     y=x[2]
...
>>> def b():
...     x=(1,2,3,4,5)
...     y=x[2]
...
>>> import dis
>>> dis.dis(a)
  2           0 LOAD_CONST               1 (1)
              3 LOAD_CONST               2 (2)
              6 LOAD_CONST               3 (3)
              9 LOAD_CONST               4 (4)
             12 LOAD_CONST               5 (5)
             15 BUILD_LIST               5
             18 STORE_FAST               0 (x)

  3          21 LOAD_FAST                0 (x)
             24 LOAD_CONST               2 (2)
             27 BINARY_SUBSCR
             28 STORE_FAST               1 (y)
             31 LOAD_CONST               0 (None)
             34 RETURN_VALUE
>>> dis.dis(b)
  2           0 LOAD_CONST               6 ((1, 2, 3, 4, 5))
              3 STORE_FAST               0 (x)

  3           6 LOAD_FAST                0 (x)
              9 LOAD_CONST               2 (2)
             12 BINARY_SUBSCR
             13 STORE_FAST               1 (y)
             16 LOAD_CONST               0 (None)
             19 RETURN_VALUE

解决方案 4：

元组是不可变的，因此更节省内存；而列表为了提高速度效率，会过度分配内存，以便允许附加而不使用常量realloc。因此，如果您想在代码中迭代一个常量值序列（例如for direction in 'up', 'right', 'down', 'left':），元组是首选，因为此类元组是在编译时预先计算的。

读取速度应该相同（它们都作为连续的数组存储在内存中）。

但是，当你处理可变数据时，alist.append(item)这种方法更受欢迎atuple+= (item,)。请记住，元组应被视为没有字段名称的记录。

解决方案 5：

这是另一个小基准，仅仅为了它的目的。

In [11]: %timeit list(range(100))
749 ns ± 2.41 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [12]: %timeit tuple(range(100))
781 ns ± 3.34 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [1]: %timeit list(range(1_000))
13.5 µs ± 466 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [2]: %timeit tuple(range(1_000))
12.4 µs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [7]: %timeit list(range(10_000))
182 µs ± 810 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [8]: %timeit tuple(range(10_000))
188 µs ± 2.38 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [3]: %timeit list(range(1_00_000))
2.76 ms ± 30.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [4]: %timeit tuple(range(1_00_000))
2.74 ms ± 31.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [10]: %timeit list(range(10_00_000))
28.1 ms ± 266 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [9]: %timeit tuple(range(10_00_000))
28.5 ms ± 447 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

让我们计算一下平均值：

In [3]: l = np.array([749 * 10 ** -9, 13.5 * 10 ** -6, 182 * 10 ** -6, 2.76 * 10 ** -3, 28.1 * 10 ** -3])

In [2]: t = np.array([781 * 10 ** -9, 12.4 * 10 ** -6, 188 * 10 ** -6, 2.74 * 10 ** -3, 28.5 * 10 ** -3])

In [11]: np.average(l)
Out[11]: 0.0062112498000000006

In [12]: np.average(t)
Out[12]: 0.0062882362

In [17]: np.average(t) / np.average(l)  * 100
Out[17]: 101.23946713590554

你可以说它几乎没有定论。

但可以肯定的是，与列表相比，元组需要101.239%花费时间，甚至额外的时间来完成这项工作。1.239%

解决方案 6：

如果列表或元组中的所有项都是相同的 C 类型，您还应该考虑array标准库中的模块。它将占用更少的内存并且速度更快。

解决方案 7：

元组的性能会更好，但是如果元组的所有元素都是不可变的，则效果会更好。如果元组中的任何元素都是可变的列表或函数，则编译时间会更长。这里我编译了 3 个不同的对象：

在第一个例子中，我编译了一个元组。它作为常量加载到元组中，然后加载并返回值。编译只需一步。这称为常量折叠。当我编译具有相同元素的列表时，它必须首先加载每个单独的常量，然后构建列表并返回它。在第三个例子中，我使用了一个包含列表的元组。我对每个操作进行了计时。

--内存分配

当创建可变容器对象（例如列表、集合、字典等）时，在它们的生命周期中，这些容器的分配容量（它们可以包含的项目数）大于容器中的元素数。这样做是为了使向集合中添加元素更加高效，这称为过度分配。因此，列表的大小不会在我们每次添加元素时都增加 - 它只会偶尔增加。调整列表大小非常昂贵，因此不要在每次添加项目时都调整大小，但您不想过度分配太多，因为这会产生内存成本。

另一方面，不可变容器由于其项目数在创建后就固定了，因此不需要这种过度分配- 因此其存储效率更高。随着元组变大，其大小也会增加。

-复制

对不可变序列进行浅拷贝是没有意义的，因为无论如何你都无法改变它。所以复制元组只会返回自身和内存地址。这就是为什么复制元组更快的原因

检索元素

我对从元组和列表中检索元素进行了计时：

从元组中检索元素比从列表中检索元素略快。因为在 CPython 中，元组可以直接访问（指针）其元素，而列表需要先访问包含指向列表元素的指针的另一个数组。

解决方案 8：

元组的效率应该比列表略高一些，而且速度也更快，因为它们是不可变的。

解决方案 9：

Tuple 读取效率高的主要原因是它是不可变的。

为什么不可变对象易于阅读？

原因是元组可以存储在内存缓存中，而不像列表。程序总是从列表内存位置读取，因为它是可变的（可以随时更改）。