李素拉申东烨,赵家班2015春晚小品,小悠的小腿
有一道python面试题, 以下代码有什么局限性,要如何修改
def strtest(num): s = 'hello' for i in range(num): s += 'x' return s
上面的代码其实可以看出:由于变量str是不变对象,每次遍历,python都会生成新的str对象来存储新的字符串,所以num越大,创建的str对象就越多,内存消耗约大,速度越慢,性能越差。 如果要改变上面的问题,可以变字符串拼接为join联合的方式,代码如下:
def strtest2(num): s = 'hello' l = list(s) for i in range(num): l.append('x') return ''.join(l)
下面两种不同处理方式,运行速度的比较:
>>> def strtest1(num): ... s = 'hello' ... for i in range(num): ... s += 'x' ... return s >>> def strtest2(num): ... s = 'hello' ... l = list(s) ... for i in range(num): ... l.append(s) ... return ''.join(l) >>> >>> from timeit import timeit # 运行10万级别数据,运行速度比对 >>> timeit("strtest1(100000)", setup="from __main__ import strtest1", number=1) 0.016680980406363233 >>> timeit("strtest2(100000)", setup="from __main__ import strtest2", number=1) 0.009688869110618725 # 运行100万级别数据,运行速度比对 >>> timeit("strtest1(1000000)", setup="from __main__ import strtest1", number=1) 0.14558920607187195 >>> timeit("strtest2(1000000)", setup="from __main__ import strtest2", number=1) 0.1335057276853462 # 运行1000万级别数据,运行速度比对 >>> timeit("strtest1(10000000)", setup="from __main__ import strtest1", number=1) 5.9497953107860475 >>> timeit("strtest2(10000000)", setup="from __main__ import strtest2", number=1) 1.3268972136649921 # 运行2000万级别数据,运行速度比对 >>> timeit("strtest1(20000000)", setup="from __main__ import strtest1", number=1) 21.661270140499056 >>> timeit("strtest2(20000000)", setup="from __main__ import strtest2", number=1) 2.6981786518920217 # 运行3000万级别数据,运行速度比对 >>> timeit("strtest1(30000000)", setup="from __main__ import strtest1", number=1) 49.858089123966295 >>> timeit("strtest2(30000000)", setup="from __main__ import strtest2", number=1) 4.285787770209481 # 运行4000万级别数据,运行速度比对 >>> timeit("strtest1(40000000)", setup="from __main__ import strtest1", number=1) 86.67876273457563 >>> timeit("strtest2(40000000)", setup="from __main__ import strtest2", number=1) 5.328653452047092 # 运行5000万级别数据,运行速度比对 >>> timeit("strtest1(50000000)", setup="from __main__ import strtest1", number=1) 130.59138063819023 >>> timeit("strtest2(50000000)", setup="from __main__ import strtest2", number=1) 6.8375931077291625 # 运行6000万级别数据,运行速度比对 >>> timeit("strtest1(60000000)", setup="from __main__ import strtest1", number=1) 188.28227241975003 >>> timeit("strtest2(60000000)", setup="from __main__ import strtest2", number=1) 8.080144489401846 # 运行7000万级别数据,运行速度比对 >>> timeit("strtest1(70000000)", setup="from __main__ import strtest1", number=1) 256.54383904350277 >>> timeit("strtest2(70000000)", setup="from __main__ import strtest2", number=1) 9.387400816458012 # 运行8000万级别数据,运行速度比对 >>> timeit("strtest1(80000000)", setup="from __main__ import strtest1", number=1) 333.7185806572388 >>> timeit("strtest2(80000000)", setup="from __main__ import strtest2", number=1) 10.946627677462857
从上面的比对数据可以看出,当数据比较小的时候,两者差别不大,当数据越大,两者性能差距就越大。从而可以看出,字符串拼接的方式一旦碰到大数据处理的时候,性能是非常慢的。
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对移动技术网的支持。如果你想了解更多相关内容请查看下面相关链接
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
Python 实现将numpy中的nan和inf,nan替换成对应的均值
python爬虫把url链接编码成gbk2312格式过程解析
网友评论