python map比for循环快的原因是什么？相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
这里有三个process, 每个任务将通过增加循环提高时间复杂度
计算
安全
数据库
网络和加速
企业服务
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
看完上述内容，你们掌握python map比for循环快的原因是什么的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
亿速云「云服务器」，即开即用、新一代英特尔至强铂金CPU、三副本存储NVMe SSD云盘，价格低至29元/月。点击查看>>
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
