我当时正在研究Python生成器，并决定进行一些实验。
TOTAL = 100000000
def my_sequence():
i = 0
while i < TOTAL:
yield i
i += 1
def my_list():
return range(TOTAL)
def my_xrange():
return xrange(TOTAL)
在多次运行每种方法并取平均值之后，下面显示了内存使用情况(使用psutil获取进程RSS内存)和所花费的时间(使用time.time())。
sequence_of_values = my_sequence() # Memory usage: 6782976B Time taken: 9.53674e-07 s
sequence_of_values2 = my_xrange() # Memory usage: 6774784B Time taken: 2.14576e-06 s
list_of_values = my_list() # Memory usage: 3266207744B Time taken: 1.80253s
我注意到，使用xrange生成生成器始终比使用yield来生成生成器慢(略)。为什么会这样？
最佳答案
我将以这个答案作为开头，说这种规模的时间可能很难精确测量(最好使用timeit)，并且这些优化几乎不会对您实际程序的运行时产生任何影响。 。
好的，现在免责声明已完成...
您需要注意的第一件事是，您仅对生成器/xrange对象的构建进行计时-您而不是计时实际迭代值所需的时间。在某些情况下，创建生成器可能比创建xrange对象更快的原因有两个。
xrange情况，您要调用该函数，然后必须查找全局名称xrange和全局TOTAL，然后需要调用该内建函数-因此，在这种情况下将执行更多的操作。 至于内存-在这两种惰性方法中，使用的内存将由python运行时控制-而不是生成器对象的大小。脚本会显着影响内存使用的唯一情况是构造1亿个项目的列表的情况。
还要注意，我实际上无法在系统上一致地确认您的结果...使用
timeit，我实际上得到my_xrange的构造有时会快2倍(约30％)。将以下内容添加到脚本的底部:
from timeit import timeit
print timeit('my_xrange()', setup='from __main__ import my_xrange')
print timeit('my_sequence()', setup='from __main__ import my_sequence')
我的结果是(对于OS-X El-Capitan上的
CPython):0.227491140366
0.356791973114
但是，
pypy似乎更喜欢生成器的构造(我首先尝试my_xrange和my_sequence对其进行了尝试，并获得了相当一致的结果，尽管第一个运行似乎确实处于劣势-可能是由于JIT预热时间等):0.00285911560059
0.00137305259705
1在这里，我希望
xrange具有优势-但同样，在您使用timeit之前，没有什么是正确的，然后只有在计时差异很大的情况下才是正确的，并且只有在执行计时的计算机上才是正确的。2请参阅免责声明:-P
关于python - 为什么产量产生的发电机比xrange产生的发电机快？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/38626308/