Python高性能计算之字典 |
您所在的位置：网站首页 › python3字典删除元素 › Python高性能计算之字典 |
Python高性能计算之字典
|
在Python中，字典是以散列映射的方式实现的，在插入、删除和访问元素方面的时间复杂度都是O(1)。 在Python3.5及之前的版本中，字典是无序集合，但从Python3.6开始，字典能够保留元素的插入顺序 散列映射就是将key和value关联的一种数据结构，散列函数就是哈希(hash)函数。熟悉哈希函数的朋友应该知道，哈希函数的冲突是不可避免的，但我们平时在使用Python的字典时，无需考虑这个因素，因为大多数情况下，默认的冲突解决方案都是有效的。 上一节“Python高性能计算之列表”中我们讲到过一个库–collections，里面有双端队列可供我们选择，这一节我们再讲一个collections中提高字典工作相率的方法。 当我们对列表中的元素个数进行统计，并将统计结果写入到字典中时，我们往往会这么写： def counter_dict(lst): counter = {} for item in lst: if item not in counter: counter[item] = 1 else: counter[item] += 1 return counter函数调用： numLst = np.random.randint(0,5,10) cnt_dict = counter_dict(numLst)下面来看第一种优化方法： 在collections中有个defaultdict函数，它可以生成一个字典，并给每个新键自动指定一个默认值，所以我们可以把上面的代码简写为： from collections import defaultdict def counter_defaultdict(lst): counter = defaultdict(int) for item in lst: counter[item] += 1 return counter第二种优化方法，其中collections中还提供了一种更为简单的方法： from collections import Counter counter = Counter(numLst)这三种实现方式的时间复杂度都是O(N)，但效率却大不相同，下面来对比： numLst = np.random.randint(0,10,10000) %timeit cntDict = counter_dict(numLst) 2.02 ms ± 42.6 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) %timeit cntDefDict = counter_defaultdict(numLst) 1.66 ms ± 2.57 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) %timeit cnt = Counter(numLst) 1.29 ms ± 33.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)可以看到，使用Counter的效率最高。 系列文章： 1. Python高性能计算之列表 2. Python高性能计算之字典 3. Python高性能计算之堆 4. Python高性能计算之字典树 5. Python常用操作的复杂度 微信公众号：Quant_Times
|
【本文地址】
今日新闻 |
推荐新闻 |