Python：打印字符 - 嵌套循环或加入字符串？

Question

假设我有一个列表：

cities = ['Berlin','London','Chicago']

我想单独打印该列表中的每个字母。

其中一种方法更有效还是更推荐？

这个：

for c in cities:
    for l in c:
        print l

或者这个：

for l in ''.join(cities):
    print l

Answer 1

“什么会更有效”通常取决于操作系统和其他因素。但是，您可以做一个非常简单的基准测试：

cities = ['Berlin','London','Chicago']
import time

start = time.time()
for x in range(100000):
    for c in cities:
        for l in c:
            pass
end = time.time()
print "method 1: " + str(end-start)

start = time.time()         
for x in range(100000):     
    for l in ''.join(cities):
        pass
end = time.time()
print "method 1: " + str(end-start)

在带有 python 2.7 的 windows 8 上，我得到了：

method 1: 0.218999862671
method 1: 0.141000032425

我相信大多数系统都会有类似的结果。

无论如何，在我看来，您正在进入无用的过早优化。你确定你真的需要这样的效率吗？

Answer 2

两者都不是“更有效”，没有上下文。

嵌套循环适用于任何城市列表，无论多大，只要您首先设法构建它。它有额外的额外开销，即运行一个反复重新初始化内循环的外循环。

第二个避免了这种情况，但必须构造所有数据''.join(cities) 的第二个副本以迭代。如果您的城市列表足够大，或者您的环境在内存上足够短，那么它会在第一个成功的地方失败。它还会产生更多需要回收的垃圾。

几乎可以肯定，任何一个都可以足够快地完成工作，除非您正在为 RAM 非常有限的豌豆脑嵌入式系统进行开发。一般来说，在具有 GHz CPU 和 GB RAM 的现代 PC 系统上，效率不应是您的首要考虑因素。一个例外是，您可以预测需要在 RAM 中组装的数据量有超过可用 RAM 量的危险，在这种情况下，避免完整的中间副本是值得的。另一个是你有不同顺序的算法，并且不能绝对保证数据量总是很小。在这种情况下，更喜欢低阶算法。当 N 变大时，O(N) 在很大程度上胜过 O(N^2)！

Answer 3

这是您应该测试的第三个选项（速度取决于您的用例）：

print '\n'.join(''.join(cities))

因为每次调用 print 都有相当多的开销，所以尽可能少地使用通常是好的（在这种情况下是一个）。

Answer 4

@ronen-ness 已经有 a good answer 指出担心它是过早的微优化。

我想补充一点，在尝试使用 Python 计时代码时，最好的选择是使用 timeit 而不是编写自己的基本测试。

重写看起来像：

import timeit

method1 = '''
for c in cities:
    for l in c:
        pass
'''

method2 = '''
for l in ''.join(cities):
    pass
'''
print(timeit.timeit(stmt=method1, setup="cities = ['Berlin','London','Chicago']", number=100000))
print(timeit.timeit(stmt=method2, setup="cities = ['Berlin','London','Chicago']", number=100000))

0.046141645999999994
0.04605432300000001

当我运行原始结果时，结果就像

method 1: 0.09271407127380371
method 2: 0.09324479103088379

由于 timeit 使用 Mac / Win / Linux 的正确时钟，计时结果要快得多，它会关闭垃圾收集并从测量中移除一堆其他开销。

但是 - 在 timeit 和原始版本中，数字变化很大。在我做的运行中，有时第一种方法更快，有时是第二种方法。这告诉我它们实际上是相同的。没有统计学上的显着差异。这些变化是由于机器上发生的其他事情造成的。

^相对而言，因为 100K 迭代的毫秒差异意味着每次迭代只有纳秒，这不值得你花时间。我已经花费了数十亿纳秒来写这篇文章。