[Python3]為什么map比for循環快

實驗結論

• 如果需要在循環結束后獲得結果，推薦列表解析；
• 如果不需要結果，直接使用for循環, 列表解析可以備選;
• 除了追求代碼優雅和特定規定情境，不建議使用map

如果不需要返回結果

這里有三個process, 每個任務將通過增加循環提高時間復雜度

	def process1(val, type=None):
	    chr(val % 123)

	def process2(val, type):
	    if type == "list":
	        [process1(_) for _ in range(val)]
	    elif type == "for":
	        for _ in range(val):
	            process1(_)
	    elif type == "map":
	        list(map(lambda _: process1(_), range(val)))

	def process3(val, type):
	    if type == "list":
	        [process2(_, type) for _ in range(val)]
	    elif type == "for":
	        for _ in range(val):
	            process2(_, type)
	    elif type == "map":
	        list(map(lambda _: process2(_, type), range(val)))

然后通過三種循環方式，去依次執行三種任務

	def list_comp():
	    [process1(i, "list") for i in range(length)]
	    # [process2(i, "list") for i in range(length)]
	    # [process3(i, "list") for i in range(length)]

	def for_loop():
	    for i in range(length):
	        process1(i, "for")
	        # process2(i, "for")
	        # process3(i, "for")

	def map_exp():
	    list(map(lambda v: process1(v, "map"), range(length)))
	    # list(map(lambda v: process2(v, "map"), range(length)))
	    # list(map(lambda v: process3(v, "map"), range(length)))

從上述的圖像中，可以直觀的看到， 隨着任務復雜度的提高以及數據量的增大，每個循環完成需要的時間也在增加，
但是map方式花費的時間明顯比其他兩種要更多。 所以在不需要返回處理結果時，選擇標准for或者列表解析都可以。

因為標准for循環和列表解析方式在循環任務復雜度逐漸提高的情況下，處理時間基本沒有差異。

需要返回結果

這里有三個task, 每個任務將通過增加循環提高時間復雜度

	def task1(val, type=None):
	    return chr(val % 123)

	def task2(val, type):
	    if type == "list":
	        return [task1(_) for _ in range(val)]
	    elif type == "for":
	        res = list()
	        for _ in range(val):
	            res.append(task1(_))
	        return res
	    elif type == "map":
	        return list(map(lambda _: task1(_), range(val)))

	def task3(val, type):
	    if type == "list":
	        return [task2(_, type) for _ in range(val)]
	    elif type == "for":
	        res = list()
	        for _ in range(val):
	            res.append(task2(_, type))
	        return res
	    elif type == "map":
	        return list(map(lambda _: task2(_, type), range(val)))

然后通過三種循環方式，去依次執行三種任務

	def list_comp():
	    # return [task1(i, "list") for i in range(length)]
	    return [task2(i, "list") for i in range(length)]
	    # return [task3(i, "list") for i in range(length)]

	def for_loop():
	    res = list()
	    for i in range(length):
	        # res.append(task1(i, "for"))
	        res.append(task2(i, "for"))
	        # res.append(task3(i, "for"))
	    return res

	def map_exp():
	    # return list(map(lambda v: task1(v, "map"), range(length)))
	    return list(map(lambda v: task2(v, "map"), range(length)))
	    # return list(map(lambda v: task3(v, "map"), range(length)))

從上述的圖像中，可以直觀的看到， 隨着任務復雜度的提高以及數據量的增大，每個循環完成需要的時間也在增加，
但是明顯看出， 使用list_comp列表解析在， 循環需要返回處理結果的每次任務中都表現的很好，基本快於其他兩種迭代方式。

而標准for循環和map方式在循環任務復雜度逐漸提高的情況下，處理時間基本沒有差異。

為什么普遍認為map比for快？

我認為可能跟處理的數據量有關系，大部分場景下，使用者只測試了少量的數據（100W以下，比如這篇文章,就是數據量比較少，導致速度的區別不明顯），在少量的數據集下，我們確實看到了map方式比for循環快，甚至有時候比列表解析還稍微快一點，但是當我們逐漸把數據量增加原來的100倍，這時候差距的凸現出來了。

如上圖，在小數據集上（100W-1KW之間）, 三者消耗的時間差不多相等，但是用map方式遍歷和處理，還是有一定的加速優勢。
具體實驗代碼可以通過Github獲得