intelligenteste Weg, um das verbinden zweier Listen in eine formatierte Zeichenkette

a = ['a1', 'a2', 'a3']
b = ['b1', 'b2', 'b3']

pat = '%s=%%s, %s=%%s, %s=%%s'

print pat % tuple(a) % tuple(b)

gibt a1=b1, a2=b2, a3=b3

.

Dann:

from timeit import Timer
from itertools import izip

n = 300

a = [str(f) for f in range(n)]
b = [str(f) for f in range(n)]

def func1():
    return ', '.join([aa+'='+bb for aa in a for bb in b if a.index(aa) == b.index(bb)])

def func2():
    list = []
    for i in range(len(a)):
        list.append('%s=%s' % (a[i], b[i]))
    return ', '.join(list)

def func3():
    return ', '.join('%s=%s' % t for t in zip(a, b))

def func4():
    return ', '.join('%s=%s' % t for t in izip(a, b))

def func5():
    pat = n * '%s=%%s, '
    return pat % tuple(a) % tuple(b)

d = dict(zip((1,2,3,4,5),('heavy','append','zip','izip','% formatting')))
for i in xrange(1,6):
    t = Timer(setup='from __main__ import func%d'%i, stmt='func%d()'%i)
    print 'func%d = %s  %s' % (i,t.timeit(10),d[i])

Ergebnis

func1 = 16.2272833558  heavy
func2 = 0.00410247671143  append
func3 = 0.00349569568199  zip
func4 = 0.00301686387516  izip
func5 = 0.00157338432678  % formatting

Diese beiden Lösungen sehr verschiedene Dinge. Die ersten Schleifen in einer verschachtelte Weg, dann berechnet Indizes mit list.index, effektiv machen diese eine doppelt geschachtelte for-Schleife, und die, was Sie denken konnte, als 125,000,000 Operationen. Die zweite geht im Gleichschritt, Herstellung 500 Paare ohne tun 250000 Operationen. Kein Wunder, Sie sind so anders!

Sind Sie vertraut mit Big O-notation für die Beschreibung der Komplexität von algorithmen? Wenn dem so ist, die erste Lösung ist kubische und die zweite Lösung ist lineare. Die Kosten der Wahl, die erste über die zweite wird wachsen mit einer alarmierenden rate als a und b länger erhalten, so würde niemand verwenden einen Algorithmus, wie die.

Persönlich würde ich fast sicher, verwenden Sie code wie

', '.join('%s=%s' % pair for pair in itertools.izip(a, b))

oder wenn ich nicht allzu besorgt über die Größe der a und b und nur schnelle schreiben, würde ich zip statt itertools.izip. Dieser code hat verschiedene Vorteile

• Er ist linear. Obwohl vorzeitige Optimierung ist ein riesige problem, es ist am besten nicht zu cavalierly verwenden einen Algorithmus mit einem unnötig schlechten asymptotische Leistung.

• Es ist einfach und Redewendungen. Ich sehe andere Menschen, die den code schreiben, wie dies Häufig.

• Es ist Speicher effizient. Durch die Verwendung einer generator expression statt einer Liste Verständnis (und itertools.izip eher als zip), die ich nicht bauen unnötige Listen im Speicher, und drehen, was könnte ein O(n) (linear)-Speicher-operation in O(1) (konstant)-Speicher-Betrieb.

Als für timing finden Sie die Schnellste Lösung, dies würde fast sicher sein, ein Beispiel für die vorzeitige Optimierung. Schreiben performante Programme, die wir verwenden, Theorie und Erfahrung zu schreiben, qualitativ hochwertige, beständige, gute code. Die Erfahrung zeigt, dass es bestenfalls nutzlos und schlimmstenfalls kontraproduktiv stop bei random-Operationen und stellen die Frage, "Was ist der beste Weg, das zu tun diese Besondere operation," und versuchen zu bestimmen, es von raten oder selbst testen.

In der Realität, die Programme mit der besten performance sind diejenigen, die geschrieben werden mit dem code der höchsten Qualität und sehr selektive Optimierungen. High-quality code, der die Werte der Lesbarkeit und Einfachheit über microbenchmarks endet als einfacher test, weniger buggy und schöner zu gestalten-diese Faktoren sind Schlüssel für effektiv optimieren Sie Ihr Programm. Die Zeit, die Sie verbringen die Festsetzung unnötigen bugs, das verstehen komplizierter code, und kämpfen mit re-factoring können ausgegeben werden, eine Optimierung statt.

Wenn es darum geht, Zeit zu optimieren, ein Programm-nachdem es getestet und wohl dokumentiert-das ist nicht random snippets, sondern auf diejenigen ermittelt, indem die tatsächlichen usecases und/oder performance-tests mit Messungen erfasst profiling. Wenn ein bestimmtes Stück code ist nur unter 0.1% der Zeit im Programm, kein Betrag der Beschleunigung das Stück Software wirklich gut.