如何在 Python 中创建具有特定大小的列表
当程序员提前知道元素数量时，为列表或数组预分配存储空间是程序员经常用地方式。
与 C++ 和 Java 不同，在 Python 中，你必须使用一些值初始化所有预分配的存储。通常情况下，开发人员使用假值用于此目的，如 None、''、False 和 0。
Python 提供了几种创建固定大小列表的方法，每种方法都有不同的性能特征。
为了比较不同方法的性能，我们将使用 Python 的标准模块 timeit。它提供了一种方便的方法来测量一小段 Python 代码的运行时间。
为列表预分配存储
第一个也是最快的方法，就是使用*运算符，它将列表重复指定的次数。
>>> [None] * 10
[None, None, None, None, None, None, None, None, None, None]
一百万次迭代（timeit 的默认迭代值）大约需要 117 毫秒。
>>> timeit("[None] * 10")
0.11655918900214601
另一种方法是将 range 内置函数与列表推导式一起使用。
>>> [None for _ in range(10)]
[None, None, None, None, None, None, None, None, None, None]
它慢了将近六倍，每百万次迭代需要 612 毫秒的时间。
>>> timeit("[None for _ in range(10)]")
0.6115895550028654
第三种方法是 list.append() 与 for 循环一起使用。
>>> a = []
>>> for _ in range(10):
... a.append(None)
...
>>> a
[None, None, None, None, None, None, None, None, None, None]
使用循环是最慢的方法，需要 842 毫秒才能完成一百万次迭代。
>>> timeit("for _ in range(10): a.append(None)", setup="a=[]")
0.8420009529945673
为其他顺序数据结构预分配存储
由于你要为顺序数据结构预先分配存储空间，因此使用 array 内置数据结构而不是列表可能更有意义。
>>> from array import array
>>> array('i',(0,)*10)
array('i', [0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
如下所示，此方法仅次于 [None] * 10。
>>> timeit("array('i',(0,)*10)", setup="from array import array")
0.4557597979946877
让我们将上述纯 Python 方法与 NumPy 用于科学计算的 Python 库进行比较。
>>> from numpy import empty
>>> empty(10)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
NumPy 方法每百万次迭代需要 589 毫秒。
>>> timeit("empty(10)", setup="from numpy import empty")
0.5890094790011062
但是，对于更大量的列表，NumPy 方法将更快。
>>> timeit("[None]*10000")
16.059584009999526
>>> timeit("empty(10000)", setup="from numpy import empty")
1.1065983309963485
结论是，对于小地列表来说，最好使用 [None] * 10，但在处理更大量的顺序数据时切换到 NumPy 的 empty()。
Founder of DelftStack.com. Jinku has worked in the robotics and automotive industries for over 8 years. He sharpened his coding skills when he needed to do the automatic testing, data collection from remote servers and report creation from the endurance test. He is from an electrical/electronics engineering background but has expanded his interest to embedded electronics, embedded programming and front-/back-end programming.
LinkedIn