- 内容提要
- 前言
- 作者简介
- 封面简介
- 第1章 理解高性能 Python
- 第2章 通过性能分析找到瓶颈
- 2.1 高效地分析性能
- 2.2 Julia 集合的介绍
- 2.3 计算完整的 Julia 集合
- 2.4 计时的简单方法——打印和修饰
- 2.5 用 UNIX 的 time 命令进行简单的计时
- 2.6 使用 cProfile 模块
- 2.7 用 runsnakerun 对 cProfile 的输出进行可视化
- 2.8 用 line_profiler 进行逐行分析
- 2.9 用 memory_profiler 诊断内存的用量
- 2.10 用 heapy 调查堆上的对象
- 2.11 用 dowser 实时画出变量的实例
- 2.12 用 dis 模块检查 CPython 字节码
- 2.13 在优化期间进行单元测试保持代码的正确性
- 2.14 确保性能分析成功的策略
- 2.15 小结
- 第3章 列表和元组
- 第4章 字典和集合
- 第5章 迭代器和生成器
- 第6章 矩阵和矢量计算
- 第7章 编译成 C
- 第8章 并发
- 第9章 multiprocessing 模块
- 第10章 集群和工作队列
- 第11章 使用更少的 RAM
- 第12章 现场教训
文章来源于网络收集而来,版权归原创者所有,如有侵权请及时联系!
3.3 小结
当你的数据有一个内在次序时,使用列表和元组作为你的数据结构可以让速度更快、开销更低。数据的内在次序使你可以回避在这些数据结构内部查询的问题:如果次序已知,那么查询操作是O(1),避免了昂贵的O(n)的线性搜索。列表可以改变大小,你需要确切知道超额分配的大小来确保数据集仍然可以被保存在内存里。另一方面,元组可以迅速被创建,且无须列表的额外开销,代价则是不可修改。在第6.1节中,我们会讨论如何通过为列表预分配内存来减轻频繁append给Python列表带来的负担,并学习一些其他的优化手段来帮助管理这些问题。
在下一章,我们将浏览字典的计算属性,它以额外的开销为代价解决了无序数据的搜索/查询问题。
[1] 在64位计算机里,12KB内存可以给你725个桶,而52GB内存可以给你3 250 000 000个桶!
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论