En ajoutant une torsion à la réponse Alphii , en fait la boucle for serait la deuxième meilleure et environ 6 fois plus lente quemap
from functools import reduce
import datetime
def time_it(func, numbers, *args):
start_t = datetime.datetime.now()
for i in range(numbers):
func(args[0])
print (datetime.datetime.now()-start_t)
def square_sum1(numbers):
return reduce(lambda sum, next: sum+next**2, numbers, 0)
def square_sum2(numbers):
a = 0
for i in numbers:
a += i**2
return a
def square_sum3(numbers):
a = 0
map(lambda x: a+x**2, numbers)
return a
def square_sum4(numbers):
a = 0
return [a+i**2 for i in numbers]
time_it(square_sum1, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum2, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum3, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
time_it(square_sum4, 100000, [1, 2, 5, 3, 1, 2, 5, 3])
Les principaux changements ont été d'éliminer les sum
appels lents , ainsi que les appels probablement inutiles int()
dans le dernier cas. Mettre la boucle for et la carte dans les mêmes termes en fait tout à fait un fait. Rappelez-vous que les lambdas sont des concepts fonctionnels et ne devraient théoriquement pas avoir d'effets secondaires, mais, eh bien, ils peuvent avoir des effets secondaires comme l'ajout de a
. Résultats dans ce cas avec Python 3.6.1, Ubuntu 14.04, processeur Intel (R) Core (TM) i7-4770 à 3,40 GHz
0:00:00.257703 #Reduce
0:00:00.184898 #For loop
0:00:00.031718 #Map
0:00:00.212699 #List comprehension