为什么在 python 中评估布尔对象需要时间答案

【问题标题】：Why evaluating boolean objects takes time in python为什么在 python 中评估布尔对象需要时间
【发布时间】：2016-02-10 16:19:42
【问题描述】：

我使用timeit模块比较了这两个代码sn-ps，发现第二个稍快：

~$ python -m timeit —setup "l=[1, 2];k=1" "l[k==1]"
10000000 loops, best of 3: 0.0414 usec per loop
~$ python -m timeit —setup "l=[1, 2];k=1" "l[0 if k==1 else 1]"
10000000 loops, best of 3: 0.0372 usec per loop

由于逻辑相同，我认为评估布尔对象比整数等价（True == 1 和False == 0）花费更多时间，因此我提出了以下基准，结果证明我是正确的：

~$ python -m timeit —setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.0411 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.0394 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.0416 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[True]"
10000000 loops, best of 3: 0.0428 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[True]"
10000000 loops, best of 3: 0.0394 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[True]"
10000000 loops, best of 3: 0.0393 usec per loop
~$ 
~$
~$ python -m timeit —setup "l=range(1000)" "l[0]"
10000000 loops, best of 3: 0.0232 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[0]"
10000000 loops, best of 3: 0.0232 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[0]"
10000000 loops, best of 3: 0.0232 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[1]"
10000000 loops, best of 3: 0.0232 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[1]"
10000000 loops, best of 3: 0.0232 usec per loop
~$ python -m timeit —setup "l=range(1000)" "l[1]"
10000000 loops, best of 3: 0.0232 usec per loop

但我不知道根本原因是什么。我的意思是为什么评估True 和False 需要更多时间？在基准测试期间，我还注意到了另一件神秘的事情。在基准测试的第一部分，结果有所不同，而第二部分的数字是稳定的。

【问题讨论】：

boolean和integer等价was already asked here的区别。
好的，谢谢。但是该线程没有讨论关于真/假评估的数字的不稳定性。
不稳定很容易：缓存未命中。由于您需要进行查找，因此无法保证您在缓存中命中它，或者您需要去 ram 获取它，或者在基准运行时仍保留在缓存中。所以不稳定。

标签： python performance boolean internals

【解决方案1】：

对于l[k==1] 和l[0 if k==1 else 1]，您的时间不够长。您看到的差异在您从随机变化中获得的范围内。我不确定哪种形式最终更快，但更长的试验显示了相反的效果：

>>> timeit.timeit('l[k==1]', 'l=[1,2];k=1', number=100000000)
10.782931089401245
>>> timeit.timeit('l[0 if k==1 else 1]', 'l=[1,2];k=1', number=100000000)
11.140317916870117

l[0 if k==1 else 1] 出人意料地具有竞争力很可能是因为l[k==1] 没有命中fast path 的BINARY_SUBSCR 操作码：

TARGET_NOARG(BINARY_SUBSCR)
{
    w = POP();
    v = TOP();
    if (PyList_CheckExact(v) && PyInt_CheckExact(w)) {
        /* INLINE: list[int] */
        Py_ssize_t i = PyInt_AsSsize_t(w);
        if (i < 0)
            i += PyList_GET_SIZE(v);
        if (i >= 0 && i < PyList_GET_SIZE(v)) {
            x = PyList_GET_ITEM(v, i);
            Py_INCREF(x);
        }
        else
            goto slow_get;
    }
    else
      slow_get:
        x = PyObject_GetItem(v, w);

在您的第二个测试中，还有一个额外的因素是，在 Python 2 中，True 是一个内置变量查找，而1 是一个更快的LOAD_CONST。 LOAD_CONST 仅索引到代码对象的 co_consts 元组，而内置查找需要两次 dict 查找。

【讨论】：

【解决方案2】：

boolean和integer除法have been asked earlier的区别。但是，没有讨论它的（不）稳定性。下面是我的分数：

Python2

~$ python2 -m timeit --setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.0366 usec per loop
~$ python2 -m timeit --setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.0332 usec per loop
~$ python2 -m timeit --setup "l=range(1000)" "l[1]"
10000000 loops, best of 3: 0.0193 usec per loop
~$ python2 -m timeit --setup "l=range(1000)" "l[1]"
100000000 loops, best of 3: 0.0194 usec per loop
~$ python2 -m timeit --setup "l=range(1000)" "l[1]"
100000000 loops, best of 3: 0.0195 usec per loop
~$ python2 -m timeit --setup "l=range(1000)" "l[0]"
100000000 loops, best of 3: 0.0196 usec per loop

Python 3

~$ python -m timeit --setup "l=range(1000)" "l[0]"
10000000 loops, best of 3: 0.0712 usec per loop
~$ python -m timeit --setup "l=range(1000)" "l[0]"
10000000 loops, best of 3: 0.072 usec per loop
~$ python -m timeit --setup "l=range(1000)" "l[0]"
10000000 loops, best of 3: 0.0719 usec per loop
~$ python -m timeit --setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.082 usec per loop
~$ python -m timeit --setup "l=range(1000)" "l[False]"
10000000 loops, best of 3: 0.0821 usec per loop

有趣的是：我的分数不仅在在 Python 版本之间发生变化，而且在在 Python 版本中发生变化。由于cache misses，差异是合乎逻辑的。有趣的是，0 和 1 的差异是如此之小，您无法看到 4 位小数...（我使用的是虚拟机，所以这可能会降低我的系统速度，足以使很容易看出区别）

【讨论】：