sum() 函數性能堪憂，列表降維有何良方？

本文原創並首發於公衆號【Python貓】，未經受權，請勿轉載。

原文地址：mp.weixin.qq.com/s/mK1nav2vK…

Python 的內置函數 sum() 能夠接收兩個參數，當第一個參數是二維列表，第二個參數是一維列表的時候，它能夠實現列表降維的效果。

在上一篇《如何給列表降維？sum()函數的妙用》中，咱們介紹了這個用法，還對 sum() 函數作了擴展的學習。

那篇文章發佈後，貓哥收到了一些頗有價值的反饋，不只在知識面上得到了擴充，在思惟能力上也獲得了一些啓發，所以，我決定再寫一篇文章，繼續跟你們聊聊 sum() 函數以及列表降維。若你讀後有所啓發，歡迎留言與我交流。

有些同窗表示，沒想到 sum() 函數居然能夠這麼用，漲見識了！貓哥最初在交流羣裏看到這種用法時，也有一樣的想法。整理成文章後，能獲得別人的承認，我很是開心。

學到新東西，進行分享，最後令讀者也有所獲，這鼓舞了我——應該每日精進，並把所學分享出去。

也有的同窗早已知道 sum() 的這個用法，還指出它的性能並很差，不建議使用。這是我未曾考慮到的問題，但又不得不認真對待。

是的，sum() 函數作列表降維有奇效，但它性能堪憂，並非最好的選擇。

所以，本文想繼續探討的話題是：（1）sum() 函數的性能到底差多少，爲何會差？（2）既然 sum() 不是最好的列表降維方法，那是否有什麼替代方案呢？

在 stackoverflow 網站上，有人問了個「How to make a flat list out of list of lists」問題，正是咱們在上篇文章中提出的問題。在回答中，有人分析了 7 種方法的時間性能。

先看看測試代碼：

import functools
import itertools
import numpy
import operator
import perfplot

def forfor(a):
    return [item for sublist in a for item in sublist]

def sum_brackets(a):
    return sum(a, [])

def functools_reduce(a):
    return functools.reduce(operator.concat, a)

def functools_reduce_iconcat(a):
    return functools.reduce(operator.iconcat, a, [])

def itertools_chain(a):
    return list(itertools.chain.from_iterable(a))

def numpy_flat(a):
    return list(numpy.array(a).flat)

def numpy_concatenate(a):
    return list(numpy.concatenate(a))

perfplot.show(
    setup=lambda n: [list(range(10))] * n,
    kernels=[
        forfor, sum_brackets, functools_reduce, functools_reduce_iconcat,
        itertools_chain, numpy_flat, numpy_concatenate
        ],
    n_range=[2**k for k in range(16)],
    logx=True,
    logy=True,
    xlabel='num lists'
    )
複製代碼

代碼囊括了最具表明性的 7 種解法，使用了 perfplot （注：這是該測試者本人開發的庫）做可視化，結果很直觀地展現出，隨着數據量的增長，這幾種方法的效率變化。

從測試圖中可看出，當數據量小於 10 的時候，sum() 函數的效率很高，可是，隨着數據量增加，它所花的時間就出現劇增，遠遠超過了其它方法的損耗。

值得注意的是，functools_reduce 方法的性能曲線幾乎與 sum_brackets 重合。

在另外一個回答中，有人也作了 7 種方法的性能測試（巧合的是，所用的可視化庫也是測試者本身開發的），在這幾種方法中，functools.reduce 結合 lambda 函數，雖然寫法不一樣，它的時間效率與 sum() 函數也基本重合：

from itertools import chain
from functools import reduce
from collections import Iterable  # or from collections.abc import Iterable
import operator
from iteration_utilities import deepflatten

def nested_list_comprehension(lsts):
    return [item for sublist in lsts for item in sublist]

def itertools_chain_from_iterable(lsts):
    return list(chain.from_iterable(lsts))

def pythons_sum(lsts):
    return sum(lsts, [])

def reduce_add(lsts):
    return reduce(lambda x, y: x + y, lsts)

def pylangs_flatten(lsts):
    return list(flatten(lsts))

def flatten(items):
    """Yield items from any nested iterable; see REF."""
    for x in items:
        if isinstance(x, Iterable) and not isinstance(x, (str, bytes)):
            yield from flatten(x)
        else:
            yield x

def reduce_concat(lsts):
    return reduce(operator.concat, lsts)

def iteration_utilities_deepflatten(lsts):
    return list(deepflatten(lsts, depth=1))


from simple_benchmark import benchmark

b = benchmark(
    [nested_list_comprehension, itertools_chain_from_iterable, pythons_sum, reduce_add,
     pylangs_flatten, reduce_concat, iteration_utilities_deepflatten],
    arguments={2**i: [[0]*5]*(2**i) for i in range(1, 13)},
    argument_name='number of inner lists'
)

b.plot()
複製代碼

這就證明了兩點：sum() 函數確實性能堪憂；它的執行效果實際是每一個子列表逐一相加（concat）。

那麼，問題來了，拖慢 sum() 函數性能的緣由是啥呢？

在它的實現源碼中，我找到了一段註釋：

/* It's tempting to use PyNumber_InPlaceAdd instead of PyNumber_Add here, to avoid quadratic running time when doing 'sum(list_of_lists, [])'. However, this would produce a change in behaviour: a snippet like empty = [] sum([[x] for x in range(10)], empty) would change the value of empty. */ 複製代碼

爲了避免改變 sum() 函數的第二個參數值，CPython 沒有采用就地相加的方法（PyNumber_InPlaceAdd），而是採用了較耗性能的普通相加的方法（PyNumber_Add）。這種方法所耗費的時間是二次方程式的（quadratic running time）。

爲何在這裏要犧牲性能呢？我猜測（只是淺薄猜想），可能有兩種考慮，一是爲了第二個參數（start）的一致性，由於它一般是一個數值，是不可變對象，因此當它是可變對象類型時，最好也不對它作修改；其次，爲了確保 sum() 函數是個 純函數 ，爲了屢次執行時能返回一樣的結果。

那麼，我要繼續問：哪一種方法是最優的呢？

綜合來看，當子列表個數小於 10 時，sum() 函數幾乎是最優的，與某幾種方法相差不大，可是，當子列表數目增長時，最優的選擇是 functools.reduce(operator.iconcat, a, [])，其次是 list(itertools.chain.from_iterable(a)) 。

事實上，最優方案中的 iconcat(a, b) 等同於 a += b，它是一種就地修改的方法。

operator.iconcat(a, b)
operator.__iconcat__(a, b)
a = iconcat(a, b) is equivalent to a += b for a and b sequences.
複製代碼

這正是 sum() 函數出於一致性考慮，而捨棄掉的實現方案。

至此，前文提出的問題都找到了答案。

我最後總結一下吧：sum() 函數採用的是非就地修改的相加方式，用做列表降維時，隨着數據量增大，其性能將是二次方程式的劇增，因此說是性能堪憂；而 reduce 結合 iconcat 的方法，纔是大數據量時的最佳方案。

這個結果是否與你所想的一致呢？但願本文的分享，能給你帶來新的收穫。

相關連接：

如何給列表降維？sum()函數的妙用 ：mp.weixin.qq.com/s/cr_noDx6s…

stackoverflow 問題：stackoverflow.com/questions/9…

公衆號【Python貓】， 本號連載優質的系列文章，有喵星哲學貓系列、Python進階系列、好書推薦系列、技術寫做、優質英文推薦與翻譯等等，歡迎關注哦。後臺回覆「愛學習」，免費得到一份學習大禮包。