更快地将字典值分配给变量，或连续访问？

Question

我有一本字典，例如：

d = {'a':'a-val', 'b':'b-val', 'c':'c-long-val'*1000}

我需要重复访问

d['c']

，如下所示：

print('value of c is', d['c'])
x_queue.put(d['c'])
some_function(d['c'])

但是我想知道将

d['c']

分配给变量并每次使用它是否会更快：

c_value = d['c']` # is this assignment "worth it"?
print('value of c is', c_value)
x_queue.put(c_value)
some_function(c_value)

我的预感是这可能取决于

• d

  中的元素数量（

  d

  越大，查找键的成本越高）
• d['c']

  的大小（

  d['c']

  越大，分配成本越高）

但我真的不确定这些选项之一（或另一个？）是

更快还是更Pythonic。

Answer 1

虽然通过键访问字典值的平均时间复杂度为

O(1)，但在产生计算键的哈希值的开销后，最坏情况的时间复杂度为O(n)。另一方面，变量赋值及其值的检索需要非常短的恒定时间，因此尽可能避免通过键重新评估字典值。

Answer 2

密钥在字典中进行哈希处理。因此，当您请求 d['c'] 时，首先计算哈希，然后找到相应的值。比简单的分配更多的步骤。

Answer 3

注意： 在您花费时间（也就是您雇主的钱）来缩短程序的纳秒或毫秒之前，请确保您确实需要对其进行优化。

阅读：过早的优化是万恶之源——DonaldKnuth

TL；博士

是的，直接从变量读取总是比从字典读取更快，后者需要计算哈希值。

深入

两种算法的复杂度都是 O(1)，但是字典的基本操作是计算哈希，然后读取内存中的地址。这与变量相比，变量只是从内存中读取。

散列 + 读取 > 读取

这就引出了一个问题“什么时候值得在内存中分配一个变量而不重复使用字典？”或“两种操作之间的差异有多大？”

快速而肮脏的基准测试

如果我们信任timeit

，那么缓存该值总是会更快，即使我们只调用该值两次。在 JupyterLab 中测试：

初始化测试字典：

asdf = dict(a=1, b=2, c=3) 读取同一个字典值两次：

%timeit (asdf['a'], asdf['a'])
82.5 ns ± 7.6 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each)

从字典中读取一次，然后缓存它：

%timeit (u := asdf['a'], u)
62.2 ns ± 2.54 ns per loop (mean ± std. dev. of 7 runs, 10,000,000 loops each)

如果您必须调用某个值一百零一次，您可以将调用速度提高 5 倍：

%%timeit [asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a'], asdf['a']]
2.85 µs ± 269 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)

这是更快的变体：

%timeit [u := asdf['a'], u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u, u]
528 ns ± 29.4 ns per loop (mean ± std. dev. of 7 runs, 1,000,000 loops each)