实验结论

• 如果需要在循环结束后获得结果，推荐列表解析；
• 如果不需要结果，直接使用for循环, 列表解析可以备选;
• 除了追求代码优雅和特定规定情境，不建议使用map
  

如果不需要返回结果

这里有三个process, 每个任务将通过增加循环提高时间复杂度

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)))

然后通过三种循环方式，去依次执行三种任务

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)))

从上述的图像中，可以直观的看到， 随着任务复杂度的提高以及数据量的增大，每个循环完成需要的时间也在增加，
但是map方式花费的时间明显比其他两种要更多。 所以在不需要返回处理结果时，选择标准for或者列表解析都可以。

因为标准for循环和列表解析方式在循环任务复杂度逐渐提高的情况下，处理时间基本没有差异。

需要返回结果

这里有三个task, 每个任务将通过增加循环提高时间复杂度

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)))

然后通过三种循环方式，去依次执行三种任务

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)))

从上述的图像中，可以直观的看到， 随着任务复杂度的提高以及数据量的增大，每个循环完成需要的时间也在增加，
但是明显看出， 使用list_comp列表解析在， 循环需要返回处理结果的每次任务中都表现的很好，基本快于其他两种迭代方式。

而标准for循环和map方式在循环任务复杂度逐渐提高的情况下，处理时间基本没有差异。

为什么普遍认为map比for快？

我认为可能跟处理的数据量有关系，大部分场景下，使用者只测试了少量的数据（100W以下，比如这篇文章,就是数据量比较少，导致速度的区别不明显），在少量的数据集下，我们确实看到了map方式比for循环快，甚至有时候比列表解析还稍微快一点，但是当我们逐渐把数据量增加原来的100倍，这时候差距的凸现出来了。

如上图，在小数据集上（100W-1KW之间）, 三者消耗的时间差不多相等，但是用map方式遍历和处理，还是有一定的加速优势。
具体实验代码可以通过Github获得

以上就是python 为什么map比for循环快的详细内容，更多关于python map和for循环的资料请关注其它相关文章！