Python 3 - 哪一个访问数据更快：数据类或字典？

Question

Python 3.7引入了dataclasses来存储数据。我正在考虑转向这种比dict更有条理，更有条理的新方法。

但我怀疑。 Python将键转换为切片上的哈希值，这使得查找键和值的速度更快。数据类实现类似的东西？

哪一个更快，为什么？

Answer 1

python中的所有类实际上都使用一个字典来存储它们的属性，因为你可以在文档中阅读here。有关python类（以及更多内容）如何工作的更深入的参考，您还可以查看有关python's datamodel的文章，特别是有关自定义类的部分。

因此，一般来说，从字典转移到数据类不应该有性能损失。但最好通过timeit模块确保：

---

底线

# dictionary creation
$ python -m timeit "{'var': 1}"
5000000 loops, best of 5: 52.9 nsec per loop

# dictionary key access
$ python -m timeit -s "d = {'var': 1}" "d['var']"
10000000 loops, best of 5: 20.3 nsec per loop

---

基本数据类

# dataclass creation
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: var: int" "A(1)" 
1000000 loops, best of 5: 288 nsec per loop

# dataclass attribute access
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: var: int" -s "a = A(1)" "a.var" 
10000000 loops, best of 5: 25.3 nsec per loop

---

在这里我们可以看到使用类确实有一些开销。对于类创建而言，这是相当多的（慢约5倍），但只要您不打算每秒多次创建和抛出数据类，就不一定需要关心它。

属性访问可能是更重要的度量标准，虽然数据类再次变慢（~1.25倍），但这次并不是那么多。

如果您认为这仍然有点太慢，您可以使用slots而不是字典来存储其属性来调整您的数据类（或任何类）。

---

Slotted dataclass

# dataclass creation
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: __slots__ = ('var',); var: int" "A(1)" 
1000000 loops, best of 5: 242 nsec per loop

# dataclass attribute access
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: __slots__ = ('var',); var: int" -s "a = A(1)" "a.var"
10000000 loops, best of 5: 21.7 nsec per loop

通过使用这种模式，我们可以减少几纳秒。此时，至少关于属性访问，不再对字典有明显的区别，您可以在不影响速度的情况下使用数据类的优点。