Почему этот цикл быстрее, чем понимание словаря для создания словаря?

Я не прихожу из справочника по программному обеспечению/информатике, но я люблю писать код на Python и обычно понимаю, почему все происходит быстрее. Мне действительно интересно узнать, почему это для цикла работает быстрее, чем понимание словаря. Какие-нибудь идеи?

Проблема. При использовании словаря a с этими ключами и значениями, верните словарь со значениями в виде ключей и ключей в качестве значений. (вызов: сделать это в одной строке)

и код

a = {'a':'hi','b':'hey','c':'yo'}

b = {}
for i,j in a.items():
    b[j]=i

%% timeit 932 ns ± 37.2 ns per loop

b = {v: k for k, v in a.items()}

%% timeit 1.08 µs ± 16.4 ns per loop

Ответ 1

Вы тестируете слишком маленький вход; в то время как понимание словаря не имеет такого же преимущества в производительности по сравнению с циклом for по сравнению со списком, что и для реалистичных размеров проблем, которые он может и выполняет for циклов, особенно при таргетинге на глобальное имя.

Ваш вход состоит всего из трех пар ключ-значение. Тестирование с 1000 элементами вместо этого, мы видим, что тайминги очень близки:

>>> import timeit
>>> from random import choice, randint; from string import ascii_lowercase as letters
>>> looped = '''\
... b = {}
... for i,j in a.items():
...     b[j]=i
... '''
>>> dictcomp = '''b = {v: k for k, v in a.items()}'''
>>> def rs(): return ''.join([choice(letters) for _ in range(randint(3, 15))])
...
>>> a = {rs(): rs() for _ in range(1000)}
>>> len(a)
1000
>>> count, total = timeit.Timer(looped, 'from __main__ import a').autorange()
>>> (total / count) * 1000000   # microseconds per run
66.62004760000855
>>> count, total = timeit.Timer(dictcomp, 'from __main__ import a').autorange()
>>> (total / count) * 1000000   # microseconds per run
64.5464928005822

Разница в том, что dict comp быстрее, но только в этом масштабе. В 100 раз больше пар ключ-значение разница немного больше:

>>> a = {rs(): rs() for _ in range(100000)}
>>> len(a)
98476
>>> count, total = timeit.Timer(looped, 'from __main__ import a').autorange()
>>> total / count * 1000  # milliseconds, different scale!
15.48140200029593
>>> count, total = timeit.Timer(dictcomp, 'from __main__ import a').autorange()
>>> total / count * 1000  # milliseconds, different scale!
13.674790799996117

что не так уж важно, если вы рассмотрите как обработанные пары ключей-ключей почти 100k. Тем не менее, цикл for явно медленнее.

Итак, почему разница в скорости с тремя элементами? Потому что понимание (словарь, набор, понимание списка или выражение генератора) находится под капотом, реализованным как новая функция, и вызов этой функции имеет базовую стоимость, которую простой цикл не должен оплачивать.

Здесь разборка для байт-кода для обеих альтернатив; обратите внимание на MAKE_FUNCTION операций MAKE_FUNCTION и CALL_FUNCTION в байт-коде верхнего уровня для понимания dict, есть отдельный раздел для того, что делает эта функция, и между этими двумя подходами существует очень мало различий:

>>> import dis
>>> dis.dis(looped)
  1           0 BUILD_MAP                0
              2 STORE_NAME               0 (b)

  2           4 SETUP_LOOP              28 (to 34)
              6 LOAD_NAME                1 (a)
              8 LOAD_METHOD              2 (items)
             10 CALL_METHOD              0
             12 GET_ITER
        >>   14 FOR_ITER                16 (to 32)
             16 UNPACK_SEQUENCE          2
             18 STORE_NAME               3 (i)
             20 STORE_NAME               4 (j)

  3          22 LOAD_NAME                3 (i)
             24 LOAD_NAME                0 (b)
             26 LOAD_NAME                4 (j)
             28 STORE_SUBSCR
             30 JUMP_ABSOLUTE           14
        >>   32 POP_BLOCK
        >>   34 LOAD_CONST               0 (None)
             36 RETURN_VALUE
>>> dis.dis(dictcomp)
  1           0 LOAD_CONST               0 (<code object <dictcomp> at 0x11d6ade40, file "<dis>", line 1>)
              2 LOAD_CONST               1 ('<dictcomp>')
              4 MAKE_FUNCTION            0
              6 LOAD_NAME                0 (a)
              8 LOAD_METHOD              1 (items)
             10 CALL_METHOD              0
             12 GET_ITER
             14 CALL_FUNCTION            1
             16 STORE_NAME               2 (b)
             18 LOAD_CONST               2 (None)
             20 RETURN_VALUE

Disassembly of <code object <dictcomp> at 0x11d6ade40, file "<dis>", line 1>:
  1           0 BUILD_MAP                0
              2 LOAD_FAST                0 (.0)
        >>    4 FOR_ITER                14 (to 20)
              6 UNPACK_SEQUENCE          2
              8 STORE_FAST               1 (k)
             10 STORE_FAST               2 (v)
             12 LOAD_FAST                1 (k)
             14 LOAD_FAST                2 (v)
             16 MAP_ADD                  2
             18 JUMP_ABSOLUTE            4
        >>   20 RETURN_VALUE

Материальные отличия: петлевой код использует LOAD_NAME для b каждой итерации, и STORE_SUBSCR хранить пару ключ-значение в Словаре загружена. MAP_ADD словаря использует MAP_ADD для достижения того же, что и STORE_SUBSCR но не обязательно каждый раз загружать это имя b.

Но только с 3 итерациями MAKE_FUNCTION/CALL_FUNCTION которую нужно выполнить для понимания dict, - это реальное сопротивление производительности:

>>> make_and_call = '(lambda i: None)(None)'
>>> dis.dis(make_and_call)
  1           0 LOAD_CONST               0 (<code object <lambda> at 0x11d6ab270, file "<dis>", line 1>)
              2 LOAD_CONST               1 ('<lambda>')
              4 MAKE_FUNCTION            0
              6 LOAD_CONST               2 (None)
              8 CALL_FUNCTION            1
             10 RETURN_VALUE

Disassembly of <code object <lambda> at 0x11d6ab270, file "<dis>", line 1>:
  1           0 LOAD_CONST               0 (None)
              2 RETURN_VALUE
>>> count, total = timeit.Timer(make_and_call).autorange()
>>> total / count * 1000000
0.12945385499915574

Более 0,1 мкс, чтобы создать объект функции с одним аргументом и вызвать его (с дополнительным LOAD_CONST для значения None мы передаем)! И это касается разницы между таймингами цикла и понимания для трех пар ключ-значение.

Вы можете уподобить этому удивлению, что человек с лопатой может вырыть маленькое отверстие быстрее, чем экскаватор. Экскаватор-погрузчик, безусловно, может быстро копаться, но человек с лопатой может начать работу быстрее, если вам нужно завести экскаватор и начать движение вперёд!

Помимо нескольких пар ключ-значение (выкапывание большего отверстия), функция create and call cost исчезает в ничто. На этом этапе понимание dict и явный цикл в основном делают то же самое:

  • возьмите следующую пару ключ-значение, поп-те в стеке
  • вызовите dict.__setitem__ hook через операцию байт-кода с двумя верхними элементами в стеке (STORE_SUBSCR или MAP_ADD. Это не считается "вызовом функции", поскольку все это внутренне обрабатывается в цикле интерпретатора.

Это отличается от понимания списка, где в версии с обычным циклом необходимо использовать list.append(), включающий поиск атрибута, и вызов функции для каждой итерации цикла. Преимущество скорости распознавания списка зависит от этой разницы; см. описание списка Python

То, что добавляет диктофон, заключается в том, что имя целевого словаря нужно искать только один раз, связывая b с конечным объектом словаря. Если целевой словарь является глобальным, а не локальной переменной, понимание выигрывает, руки вниз:

>>> a = {rs(): rs() for _ in range(1000)}
>>> len(a)
1000
>>> namespace = {}
>>> count, total = timeit.Timer(looped, 'from __main__ import a; global b', globals=namespace).autorange()
>>> (total / count) * 1000000
76.72348440100905
>>> count, total = timeit.Timer(dictcomp, 'from __main__ import a; global b', globals=namespace).autorange()
>>> (total / count) * 1000000
64.72114819916897
>>> len(namespace['b'])
1000

Так что просто используйте понимание диктата. Разница с <30 элементами для обработки слишком мала, чтобы заботиться о них, и в тот момент, когда вы генерируете глобальное или имеете больше предметов, понимание dict все равно выигрывает.

Ответ 2

Этот вопрос, в некоторых смыслах, очень похож на Почему такое понимание списка намного быстрее, чем добавление к списку? о котором я уже давно ответил. Однако причина, по которой это поведение удивительно для вас, очевидно, потому что ваш словарь слишком мал, чтобы преодолеть затраты на создание нового фрейма функции и нажатие/вытягивание его в стеке. Чтобы понять, что лучше отпустить под кожу буксировочных фрагментов, у вас есть:

In [1]: a = {'a':'hi','b':'hey','c':'yo'}
   ...: 
   ...: def reg_loop(a):
   ...:     b = {}
   ...:     for i,j in a.items():
   ...:         b[j]=i
   ...:         

In [2]: def dict_comp(a):
   ...:     b = {v: k for k, v in a.items()}
   ...:     

In [3]: 

In [3]: %timeit reg_loop(a)
529 ns ± 7.89 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [4]: 

In [4]: %timeit dict_comp(a)
656 ns ± 5.39 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [5]: 

In [5]: import dis

In [6]: dis.dis(reg_loop)
  4           0 BUILD_MAP                0
              2 STORE_FAST               1 (b)

  5           4 SETUP_LOOP              28 (to 34)
              6 LOAD_FAST                0 (a)
              8 LOAD_METHOD              0 (items)
             10 CALL_METHOD              0
             12 GET_ITER
        >>   14 FOR_ITER                16 (to 32)
             16 UNPACK_SEQUENCE          2
             18 STORE_FAST               2 (i)
             20 STORE_FAST               3 (j)

  6          22 LOAD_FAST                2 (i)
             24 LOAD_FAST                1 (b)
             26 LOAD_FAST                3 (j)
             28 STORE_SUBSCR
             30 JUMP_ABSOLUTE           14
        >>   32 POP_BLOCK
        >>   34 LOAD_CONST               0 (None)
             36 RETURN_VALUE

In [7]: 

In [7]: dis.dis(dict_comp)
  2           0 LOAD_CONST               1 (<code object <dictcomp> at 0x7fbada1adf60, file "<ipython-input-2-aac022159794>", line 2>)
              2 LOAD_CONST               2 ('dict_comp.<locals>.<dictcomp>')
              4 MAKE_FUNCTION            0
              6 LOAD_FAST                0 (a)
              8 LOAD_METHOD              0 (items)
             10 CALL_METHOD              0
             12 GET_ITER
             14 CALL_FUNCTION            1
             16 STORE_FAST               1 (b)
             18 LOAD_CONST               0 (None)
             20 RETURN_VALUE

На втором разобранном коде (определение dict) у вас есть код операции MAKE_FUNCTION который, как он также указал в документации, толкает новый объект функции в стек. и позже CALL_FUNCTION который CALL_FUNCTION вызываемый объект с позиционными аргументами. а потом:

выдает все аргументы и вызываемый объект из стека, вызывает вызываемый объект с этими аргументами и выталкивает возвращаемое значение, возвращаемое вызываемым объектом.

Все эти операции имеют свои издержки, но когда словарь становится больше, стоимость назначения ключевых значений в словаре станет больше, чем создание функции под капотом. Другими словами, стоимость вызова метода __setitem__ словаря из определенной точки будет превышать стоимость создания и приостановки словарного объекта "на лету".

Кроме того, обратите внимание, что, конечно, в этой игре есть несколько других операций (OP_CODES), которые играют решающую роль в этой игре, и я думаю, что стоит исследовать и учитывать, что я буду жить ею для вас как практика;).