我发现了一个有趣的事情partition比split当获取分隔符后的整个子字符串时。我已经在 Python 3.5 和 3.6 (Cpython) 中进行了测试
In [1]: s = 'validate_field_name'
In [2]: s.partition('_')[-1]
Out[2]: 'field_name'
In [3]: s.split('_', maxsplit=1)[-1]
Out[3]: 'field_name'
In [4]: %timeit s.partition('_')[-1]
220 ns ± 1.12 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [5]: %timeit s.split('_', maxsplit=1)[-1]
745 ns ± 48.8 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [6]: %timeit s[s.find('_')+1:]
340 ns ± 1.44 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
我查看了Cpython源代码，发现了partition使用FASTSEARCH算法，参见here。还有split只使用FASTSEARCH当分隔符字符串的长度大于1时，请参见here。但我测试了 sep 字符串，哪个长度更大。我得到了同样的结果。
我想原因是partition返回一个三元素元组，而不是列表。
我想了解更多细节。
微基准可能会产生误导
py -m timeit "'validate_field_name'.split('_', maxsplit=1)[-1]"
1000000 loops, best of 3: 0.568 usec per loop
py -m timeit "'validate_field_name'.split('_', 1)[-1]"
1000000 loops, best of 3: 0.317 usec per loop
仅将参数作为位置或关键字传递就会显着改变时间。所以我猜分区更快的另一个原因是，因为它不需要第二个参数......
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
