Python列表理解性能
我做了一些实验，用两种方法来初始化一个二维列表。
我在本地 Macbook Pro 和 Leetcode playground 上进行了测试，结果显示第一种方法比第二种方法快 4-5 倍。
谁能解释列表理解的性能滞后？
n = 999
t0 = time.time()
arr1 = [[None] * n for _ in range(n)]
t1 = time.time()
print(t1 - t0)
t2 = time.time()
arr2 = [[None for _ in range(n)] for _ in range(n)]
t3 = time.time()
print(t3 - t2)
回答
请注意，您正在做两件不同的事情。您打算使用：
[[None] * n for _ in range(n)]
您已将内部列表包装在一个附加列表中，但这不会对计时结果产生巨大影响。列表重复版本肯定更快。
[None]*n非常快，它准确地分配底层缓冲区，然后执行 C 级循环。[None for _ in range(n)]是一个使用 append 的 python 级循环，它是摊销的常数时间，但将涉及缓冲区重新分配。
只看字节码就给出了一个提示：
>>> import dis
>>> dis.dis('[None]*n')
1 0 LOAD_CONST 0 (None)
2 BUILD_LIST 1
4 LOAD_NAME 0 (n)
6 BINARY_MULTIPLY
8 RETURN_VALUE
基本上，所有的工作都是在BINARY_MULTIPLY. 对于列表理解：
>>> dis.dis("[None for _ in range(n)]")
1 0 LOAD_CONST 0 (<code object <listcomp> at 0x7fc06e31bea0, file "<dis>", line 1>)
2 LOAD_CONST 1 ('<listcomp>')
4 MAKE_FUNCTION 0
6 LOAD_NAME 0 (range)
8 LOAD_NAME 1 (n)
10 CALL_FUNCTION 1
12 GET_ITER
14 CALL_FUNCTION 1
16 RETURN_VALUE
Disassembly of <code object <listcomp> at 0x7fc06e31bea0, file "<dis>", line 1>:
1 0 BUILD_LIST 0
2 LOAD_FAST 0 (.0)
>> 4 FOR_ITER 8 (to 14)
6 STORE_FAST 1 (_)
8 LOAD_CONST 0 (None)
10 LIST_APPEND 2
12 JUMP_ABSOLUTE 4
>> 14 RETURN_VALUE
>>>
循环工作是在 Python 解释器级别完成的。此外，它通过 增长列表.append，这在算法上是有效的，但仍然比列表重复所做的要慢，列表重复都被推入 C 层。
这是C源代码：
https://github.com/python/cpython/blob/48ed88a93bb0bbeaae9a4cfaa533e4edf13bcb51/Objects/listobject.c#L504
如您所见，它将底层缓冲区分配到所需的确切大小：
np = (PyListObject *) PyList_New(size);
然后，它执行一个快速循环，填充缓冲区而不重新分配。最普遍的情况：
p = np->ob_item;
items = a->ob_item;
for (i = 0; i < n; i++) {
for (j = 0; j < Py_SIZE(a); j++) {
*p = items[j];
Py_INCREF(*p);
p++;
}
}