您期望它做什么?
在时间之外它会:
In [188]: a += b
In [189]: a
Out[189]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
我尝试初始化x
,并得到一个接近无限循环,最终以内存错误结束
In [192]: %%timeit x=a
...: x += b
In [194]: len(a)
Out[194]: 529076630
换句话说,每个 timeit 循环都连接另一个列表b
价值观x
(并且通过扩展a
),结果是很长的循环。我怀疑一个人x+=b
速度很快,导致timeit
选择循环多次。
让我们创建一个a
新鲜的每个循环:
In [196]: %%timeit
...: a = [x for x in range(10)]
...: a += b
...:
1.91 µs ± 4.82 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
这也会产生内存错误:
In [197]: %%timeit a = [x for x in range(10)]
...: a += b
如果我控制循环次数:
In [202]: %%timeit -n 100 a = [x for x in range(10)]
...: a += b
...:
...:
208 ns ± 11 ns per loop (mean ± std. dev. of 7 runs, 100 loops each)
With ns
有时我可以明白为什么默认循环如此之大。
我还没有尝试过计时a+=...
之前(甚至不包括 numpy 数组),但显然它需要某种本地初始化a
,无论是在循环内还是在初始化块中。但请务必记住,定时操作可能会执行多次(-r 和 -n 参数或默认值)。因此,任何就地操作都可能导致全局值发生一些变化。在这种情况下timeit
可能是通过预期某种“局部”变量来试图保护我们免受这种意外增长的影响。
让我们尝试一下a+b
,但有一个任务:
In [215]: c=np.zeros(10)
In [216]: a
Out[216]: array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
In [217]: b
Out[217]: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
In [218]: %timeit c = a+b
5.33 µs ± 105 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [219]: c
Out[219]: array([ 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
请注意,全球c
没有改变。该任务分配给临时本地人c
- 即使同名的全局可用。
作为一般规则,在定时循环内执行的计算不应泄漏到循环之外。你必须像我在内存错误循环中所做的那样明确一些,或者在这里
In [222]: %%timeit x = c
...: x += b
...:
9.04 µs ± 238 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [223]: c
Out[223]:
array([ 0., 811111., 1622222., 2433333., 3244444., 4055555.,
4866666., 5677777., 6488888., 7299999.])
or here:
In [224]: c=np.zeros(10)
In [225]: %%timeit x = c
...: x[:] = a+b
7.84 µs ± 199 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [226]: c
Out[226]: array([ 1., 3., 5., 7., 9., 11., 13., 15., 17., 19.])
两者都使用对已链接到可变全局变量的局部变量的就地赋值。