为什么长名称的函数比相同的小名称函数更快？ [关闭]答案

【问题标题】：Why is a function with a long name faster than the same small name function? [closed]为什么长名称的函数比相同的小名称函数更快？ [关闭]
【发布时间】：2018-07-24 17:11:11
【问题描述】：

import time

def e(x):
    return x**x

def ZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZ(x):
    return x**x

a = 0
start = time.process_time_ns()
a = e(7)
lap = time.process_time_ns()
a = ZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZ(7)
end = time.process_time_ns()
print(lap-start)
print(end-lap)

我正在测试 python 函数的名称是否决定了调用速度，但令人惊讶的是，e() 比Z() 慢得多。我什至在计时之前定义了变量，但Z() 仍然更快。这是为什么呢？

【问题讨论】：

这不是确定性能的可靠方法。使用timeit；我得到e 也许会稍微快一点，但不会快很多。
这不是一种可靠的计时方式。使用timeit的性能相同：In [32]: %timeit e(100) 842 ns ± 12.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each) In [33]: %timeit ZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZ(100) 834 ns ± 12.2 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
不是。您的计时方法存在缺陷和偏见，因为现代操作系统在运行程序时不仅仅是屏住呼吸。您的计算机总是忙于许多不同的事情，而这些事情也需要时间。使用timeit 模块来解决这个问题并采取多种措施。
我试试
切换调用的顺序，你会发现先来的耗时更长。您正在计算启动成本。

标签： python python-3.x function

【解决方案1】：

实际上并没有变慢。为了获得准确的时间，您需要多次运行。在 Jupyter 中，您可以使用单元格顶部的魔法 %%timeit 为您执行此操作。我明白了：

a = e(7)
436 ns ± 21.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

a = ZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZZ(7)
426 ns ± 13.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

或者，手动：

n_iter = 1000000
start = time.process_time()
for i in range(n_iter):
    e(7)  # or the other one, try both.
end = time.process_time()
print(f'{(end - start)/n_iter}')

这两个函数的结果与上述相似。

【讨论】：

它仍然快 2% ;)
@wim 不是。运行时间之后的+- 21.8 ns 和+- 13.8 ns 为第一个提供415-457 ns 的范围，为第二个提供413-439 ns。两者完全重叠，它们的范围没有太大差异。如果没有进行正式的统计测试，我非常有信心它们在统计上没有差异。实际测试留给读者作为练习;)
我在开玩笑 - 显然我的幽默感在这里错过了标记：P
或者，如果您不是使用 anaconda 安装东西的数据科学家，请使用 ipython。
@wim 不是真的，只是让我有机会指出运行时间的统计性质，所以我接受了！

【解决方案2】：

函数的名称是完全不相关的，因为 python 命名空间是使用 dicts 实现的，它是哈希表……所以名称被转换为一个哈希值以供查找，所有名称的大小和速度都应该相同。

【讨论】：

谢谢。我一直在寻找 Python 如何实现命名空间，但速度不够快......