与理解相比，Python 3.5 与 3.6 使“地图”变慢的原因

Question

如果有一个用 C 语言编写的函数/方法来获得额外的性能，我有时会使用 map。然而，我最近重新审视了一些基准测试，并注意到 Python 3.5 和 3.6 之间的相对性能（与类似的列表理解相比）发生了巨大变化。

这不是实际代码，只是说明差异的最小示例：

import random

lst = [random.randint(0, 10) for _ in range(100000)]
assert list(map((5).__lt__, lst)) == [5 < i for i in lst]
%timeit list(map((5).__lt__, lst))
%timeit [5 < i for i in lst]

我意识到使用(5).__lt__ 不是一个好主意，但我现在想不出一个有用的例子。

Python-3.5 的时序支持map 方法：

15.1 ms ± 5.64 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
16.7 ms ± 35.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

虽然 Python-3.6 的时序实际上表明理解更快：

17.9 ms ± 755 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
14.3 ms ± 128 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

我的问题是在这种情况下发生了什么使列表理解更快而map 解决方案更慢？我意识到差异并没有那么大，只是让我感到好奇，因为这是我有时（实际上很少）在性能关键代码中使用的“技巧”之一。

Answer 1

我认为公平的比较包括在 Python 3.5 和 3.6 中使用相同的函数和相同的测试条件，以及将 map 与所选 Python 版本中的列表理解进行比较。

在我最初的回答中，我进行了多项测试，结果表明，与列表理解相比，map 在两个 Python 版本中的速度仍然快了大约两倍。但是有些结果还没有定论，所以我进行了更多测试。

首先让我引用您在问题中陈述的一些观点：

"... [我] 注意到 [map] 的相对性能（与类似的列表理解相比）急剧在 Python 3.5 和 3.6 之间发生了变化

你还问：

“我的问题是，在这种情况下发生了什么使列表理解更快而地图解决方案更慢？”

你的意思是 map 比 Python 3.6 中的列表理解慢，还是你的意思是 Python 3.6 中的 map 比 3.5 慢并且列表理解的性能有所提高，目前还不是很清楚（尽管不一定达到跳动的水平map)。

根据我在第一次回答这个问题后进行的更广泛的测试，我想我知道发生了什么。

但是，首先让我们为“公平”比较创造条件。为此，我们需要：

1. 使用相同函数比较map在不同Python版本中的性能；

2. 比较map 的性能与使用相同功能的相同版本中的列表理解；

3. 对相同数据运行测试；

4. 尽量减少计时函数的贡献。

这是关于我的系统的版本信息：

Python 3.5.3 |Continuum Analytics, Inc.| (default, Mar  6 2017, 12:15:08) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
IPython 5.3.0 -- An enhanced Interactive Python.

和

Python 3.6.2 |Continuum Analytics, Inc.| (default, Jul 20 2017, 13:14:59) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)] on darwin
IPython 6.1.0 -- An enhanced Interactive Python. Type '?' for help.

让我们首先解决“相同数据”的问题。不幸的是，因为您有效地使用了seed(None)，所以每个数据集lst 在两个Python 版本中都不同。这可能导致两个 Python 版本的性能差异。一种解决方法是设置，例如，random.seed(0)（或类似的东西）。我选择创建一次列表并使用numpy.save() 保存它，然后在每个版本中加载它。这一点尤其重要，因为我选择稍微修改您的测试（“循环”和“重复”的数量），并且我已将数据集的长度增加到 100,000,000：

import numpy as np
import random
lst = [random.randint(0, 10) for _ in range(100000000)]
np.save('lst', lst, allow_pickle=False)

其次，让我们使用timeit 模块而不是IPython 的魔术命令%timeit。这样做的原因来自于 Python 3.5 中执行的以下测试：

In [11]: f = (5).__lt__
In [12]: %timeit -n1 -r20 [f(i) for i in lst]
1 loop, best of 20: 9.01 s per loop

将此与同一版本 Python 中 timeit 的结果进行比较：

>>> t = timeit.repeat('[f(i) for i in lst]', setup="f = (5).__lt__;
... import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, 
... number=1); print(min(t), max(t), np.mean(t), np.std(t))
7.442819457995938 7.703615028003696 7.5105415405 0.0550515642854

由于我不知道的原因，与 timeit 包相比，IPython 的魔法 %timeit 增加了一些时间。因此，我将在我的测试中专门使用timeit。

注意：在接下来的讨论中，我将只使用最短时间 (min(t))。

Python 3.5.3 中的测试：

第 1 组：地图和列表理解测试

>>> import numpy as np
>>> import timeit

>>> t = timeit.repeat('list(map(f, lst))', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.666553302988177 4.811194089008495 4.72791638025 0.041115884397

>>> t = timeit.repeat('[f(i) for i in lst]', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
7.442819457995938 7.703615028003696 7.5105415405 0.0550515642854

>>> t = timeit.repeat('[5 < i for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.94656751700677 5.07807950800634 5.00670203845 0.0340474956945

>>> t = timeit.repeat('list(map(abs, lst))', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.167273573024431 4.320013975986512 4.2408865186 0.0378852782878

>>> t = timeit.repeat('[abs(i) for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
5.664627838006709 5.837686392012984 5.71560354655 0.0456700607748

注意第二个测试（使用f(i) 的列表理解）比第三个测试（使用5 < i 的列表理解）慢得多，这表明从代码角度来看f = (5).__lt__ 与5 < i 不同（或几乎相同） .

第 2 组：“个人”功能测试

>>> t = timeit.repeat('f(1)', setup="f = (5).__lt__", repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.052280781004810706 0.05500587198184803 0.0531139718529 0.000877649561967

>>> t = timeit.repeat('5 < 1', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.030931947025237605 0.033691533986711875 0.0314959864045 0.000633274658428

>>> t = timeit.repeat('abs(1)', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.04685414198320359 0.05405496899038553 0.0483296330043 0.00162837880358

请注意，第一次测试（f(1)）比第二次测试（5 < 1）慢得多，从代码角度进一步支持f = (5).__lt__ 与5 < i 不同（或几乎相同）。

Python 3.6.2 中的测试：

第 1 组：地图和列表理解测试

>>> import numpy as np
>>> import timeit

>>> t = timeit.repeat('list(map(f, lst))', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.599696700985078 4.743880658003036 4.6631793691 0.0425774678203

>>> t = timeit.repeat('[f(i) for i in lst]', setup="f = (5).__lt__; import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
7.316072431014618 7.572676292009419 7.3837024617 0.0574811241553

>>> t = timeit.repeat('[5 < i for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
4.570452399988426 4.679144663008628 4.61264215875 0.0265541828693

>>> t = timeit.repeat('list(map(abs, lst))', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
2.742673939006636 2.8282236389932223 2.78504617405 0.0260357089928

>>> t = timeit.repeat('[abs(i) for i in lst]', setup="import numpy; lst = numpy.load('lst.npy').tolist()", repeat=20, number=1); print(min(t), max(t), np.mean(t), np.std(t))
6.2177103200228885 6.428813881997485 6.28722427145 0.0493010620999

第 2 组：“个人”功能测试

>>> t = timeit.repeat('f(1)', setup="f = (5).__lt__", repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.051936342992121354 0.05764096099301241 0.0532974587506 0.00117079475737

>>> t = timeit.repeat('5 < 1', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.02675032999832183 0.032919151999522 0.0285137565021 0.00156522182488

>>> t = timeit.repeat('abs(1)', repeat=20, number=1000000); print(min(t), max(t), np.mean(t), np.std(t))
0.047831349016632885 0.0531779529992491 0.0482893927969 0.00112825297875

请注意，第一次测试（f(1)）比第二次测试（5 < 1）慢得多，进一步支持从代码角度来看f = (5).__lt__ 与5 < i 不同（或几乎相同）。

讨论

我不知道这些时序测试的可靠性如何，而且也很难将导致这些时序结果的所有因素分开。然而，我们可以从“第 2 组”测试中注意到，唯一显着改变其时间的“个人”测试是 5 < 1 的测试：它在 Python 3.6 中从 Python 3.5 中的 0.0309 秒下降到 0.0268 秒。这使得 Python 3.6 中使用 5 < i 的列表理解测试比 Python 3.5 中的类似测试运行得更快。然而，这并不意味着列表解析在 Python 3.6 中变得更快。

让我们将map 的相对性能与相同Python 版本中相同函数的列表理解进行比较。然后我们进入 Python 3.5：r(f) = 7.4428/4.6666 = 1.595、r(abs) = 5.665/4.167 = 1.359 和 Python 3.6：r(f) = 7.316/4.5997 = 1.591、r(abs) = 6.218/2.743 = 2.267。基于这些相对性能，我们可以看到，在 Python 3.6 中，map 相对于列表理解的性能至少与 Python 3.5 中 f = (5).__lt__ 函数的性能相同，并且对于这样的函数，这个比率甚至有所提高在 Python 3.6 中为 abs()。

无论如何，我相信没有证据表明 Python 3.6 中的列表理解变得更快，无论是相对还是绝对意义上的。唯一的性能改进是 [5 < i for i in lst] 测试，但这是因为 5 < i 本身在 Python 3.6 中变得更快，而不是因为列表理解本身更快。

Answer 2

我认为公平的比较将涉及使用相同的功能。在您的示例中，当比较公平时，map 仍然获胜：

>>> import sys
>>> print(sys.version)
3.6.2 |Continuum Analytics, Inc.| (default, Jul 20 2017, 13:14:59) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)]
>>> import random
>>> lst = [random.randint(0, 10) for _ in range(100000)]
>>> assert list(map((5).__lt__, lst)) == [5 < i for i in lst]
>>> f = (5).__lt__
>>> %timeit list(map(f, lst))
4.63 ms ± 110 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
>>> %timeit [f(i) for i in lst]
9.17 ms ± 177 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

虽然在 Python 3.5（至少在我的系统上）map 比 Python 3.6 更快，但列表理解也是如此：

>>> print(sys.version)
3.5.3 |Continuum Analytics, Inc.| (default, Mar  6 2017, 12:15:08) 
[GCC 4.2.1 Compatible Apple LLVM 6.0 (clang-600.0.57)]
>>> %timeit list(map(f, lst))
100 loops, best of 3: 4.36 ms per loop
>>> %timeit [f(i) for i in lst]
100 loops, best of 3: 8.12 ms per loop

不过，当使用相同的函数时，map 在 Python 3.5 和 3.6 中都比列表解析快约 2 倍。

编辑（回复@user2357112 cmets）：

我认为执行“公平”比较对于回答 OP 的问题很重要：“我的问题是，在这种情况下发生了什么使列表理解更快而地图解决方案更慢？” （最后一段）。然而，在第一段中，@MSeifert 说：“... [我] 注意到 Python 3.5 和 3.6 之间的相对性能（与类似的列表理解相比）发生了巨大变化” 也就是说，比较是在map 和list comprehension 之间进行的。然而，@MSeifert 测试设置如下：

timig_map_35 = Timing(list(map(f, lst)))
timing_list_35 = Timing([g(i) for i in lst])

这种测试很难找到时间差异的原因：是因为列表理解在 3.6 中变快了，还是因为 map 在 3.6 中变慢了，或者 f(i) 在 3.6 中变慢了，或者 g(i) 在 3.6 中变快了。 ..

因此，我建议引入f = (5).__lt__，并在map 和列表理解测试中使用相同的功能。我还修改了@MSeifert 测试，增加了列表中的元素数量并减少了timeit 中“循环”的数量：

import random
lst = [random.randint(0, 10) for _ in range(1000000)] # 10x more elements
f = (5).__lt__
%timeit -n1 -r1000 list(map(f, lst)) # f = (5).__lt__
%timeit -n1 -r1000 [f(i) for i in lst] # f(i) = (5).__lt__(i)
%timeit -n1 -r1000 [5 < i for i in lst] # g(i) = 5 < i
%timeit -n1 -r1000 [1 for _ in lst] # h(i) = 1

在 Python 3.6 中我得到：

43.5 ms ± 1.79 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
82.2 ms ± 2.39 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
43.6 ms ± 1.64 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
23.8 ms ± 1.27 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)

在 Python 3.5 中，我得到：

1 loop, best of 1000: 43.7 ms per loop
1 loop, best of 1000: 78.9 ms per loop
1 loop, best of 1000: 46 ms per loop
1 loop, best of 1000: 26.8 ms per loop

在我看来，这表明列表理解在 3.6 中比在 3.5 中稍快，除非使用 f。因此，很难断定是 map 在 Python 3.6 中较慢，或者是上面的第一个 timeit 较慢，因为对 f 的调用较慢。因此我又进行了两次测试：

%timeit -n1 -r1000 list(map(abs, lst))
%timeit -n1 -r1000 [abs(i) for i in lst]
%timeit -n1000000 -r1000 f(1)

在 Python 3.6 中我得到：

25.8 ms ± 1.42 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
67.1 ms ± 2.07 ms per loop (mean ± std. dev. of 1000 runs, 1 loop each)
64.7 ns ± 2.22 ns per loop (mean ± std. dev. of 1000 runs, 1000000 loops each)

在 Python 3.5 中，我得到：

1 loop, best of 1000: 38.3 ms per loop
1 loop, best of 1000: 56.4 ms per loop
1000000 loops, best of 1000: 59.6 ns per loop

这表明map 可以 明显快 对于某些功能：具体而言，abs(x) map 与“列表理解”的相对性能" 在 Python 3.6 中是 67.1/25.8 = 2.60 而在 Python 3.5 中是 56.4/38.3 = 1.47。因此，有趣的是知道为什么@MSeifert 测试显示map 在 Python 3.6 中速度较慢。我上面的最后一个测试显示了f(1)“单独”的计时测试。我不确定这个测试的有效性（不幸的是）——我想避免使用map 或[for] 来消除一个变量——但它表明在 Python 3.6 中f = (5).__lt__ 变得比在 Python 3.5 中慢。因此，我得出结论，它是函数f ((5).__lt__) 的特定形式，它的评估速度变慢了，而不是map 函数。我知道最后一次“单独”测试可能是一个糟糕的测试，但是，map 在与abs 一起使用时非常快（相对或绝对）这一事实表明问题出在f 而不是@987654360 @。

注意：Python 3.5 使用 IPython 5.3.0，Python 3.6 使用 IPython 6.1.0。