Python 列表推导是否在每次迭代时附加？

Question

我试图了解 Python 中列表解析的性能，以及使用它们与 for 循环创建列表的权衡。使用 for 循环将元素追加到列表的已知性能成本之一是，在每次迭代时，它是 O(k)（其中 k 是列表的长度），因为追加需要到达列表的末尾添加一个额外的元素。

这对列表推导有什么作用？在每次迭代时，是否需要到达新列表的末尾才能追加一个新元素？

# For loop:
# O(n*k) (k=number of elements currently in list) time complexity:
new_list = []
for i in range(n): # O(n)
  new_list.append(i) # O(k) 

# List comprehension:
new_list = [i for i in range(n)] # Is this O(n)? 

我搜索了 Python 文档、Stack Overflow 和其他网站，但找不到任何相关信息。有许多资源可获取有关列表理解的更多更高级别的信息，但没有这样的具体信息。

如果您无法提供答案，请指导我或告诉我如何查看实际的底层 Python 列表理解代码，以便我自己完成此操作？

Answer 1

附加到列表是摊销 O(1) 而不是O(k)；列表被实现为可变长度数组，而不是链接列表。复杂性适用于带有my_list.append 调用的for 循环和列表理解（剧透警报，也 附加）。

所以在这两种情况下。复杂度为O(N)。

列表理解通常表现更好，因为它们专门做一件事： 创建列表。为它们生成的字节码是特定的。 （见LIST_APPEND字节码）

另请注意，列表理解（如 for 循环）不一定在每次迭代时附加。使用if 子句过滤掉您正在循环的可迭代对象的元素是常用的。

---

如果您想了解列表理解是如何在 CPython 中实现的，您可以查看为它们生成的字节码，并通过ceval.c 扫描每个执行的操作。

编译一个列表理解表达式后，可以用dis看到字节码：

dis(compile('[i for i in range(10)]', '', 'exec').co_consts[0])
  1           0 BUILD_LIST               0
              2 LOAD_FAST                0 (.0)
        >>    4 FOR_ITER                 8 (to 14)
              6 STORE_FAST               1 (i)
              8 LOAD_FAST                1 (i)
             10 LIST_APPEND              2
             12 JUMP_ABSOLUTE            4
        >>   14 RETURN_VALUE

然后，scan through the cases in ceval.c 或查看dis module 中的文档。