众所周知，Python不是一种执行效率较高的语言。此外在任何语言中，循环都是一种非常消耗时间的操作。假如任意一种简单的单步操作耗费的时间为1个单位，将此操作重复执行上万次，最终耗费的时间也将增长上万倍。

　　While和For是Python中常用的两种实现循环的关键字，它们的运行效率实际上是有差距的。比如下面的测试代码：

　　import timeit

　　def while_loop(n=100_000_000):

　　i = 0

　　s = 0

　　while i < n:

　　s += i

　　i += 1

　　return s

　　def for_loop(n=100_000_000):

　　s = 0

　　for i in range(n):

　　s += i

　　return s

　　def main():

　　print('while loop\t\t', timeit.timeit(while_loop, number=1))

　　print('for loop\t\t', timeit.timeit(for_loop, number=1))

　　if __name__ == '__main__':

　　main()

　　# => while loop 4.718853999860585

　　# => for loop 3.211570399813354

　　这是一个简单的求和操作，计算从1到n之间所有自然数的总和。可以看到For循环相比While要快1.5秒。

　　其中的差距主要在于两者的机制不同。

　　在每次循环中，While实际上比For多执行了两步操作：边界检查和变量i的自增。即每进行一次循环，While都会做一次边界检查 (While i < n)和自增计算(i +=1)。这两步操作都是显示的纯Python代码。

　　For循环不需要执行边界检查和自增操作，没有增加显示的Python代码(纯Python代码效率低于底层的 C代码)。当循环的次数足够多，就出现了明显的效率差距。

　　可以再增加两个函数，在For循环中加上不必要的边界检查和自增计算：

　　import timeit

　　def while_loop(n=100_000_000):

　　i = 0

　　s = 0

　　while i < n:

　　s += i

　　i += 1

　　return s

　　def for_loop(n=100_000_000):

　　s = 0

　　for i in range(n):

　　s += i

　　return s

　　def for_loop_with_inc(n=100_000_000):

　　s = 0

　　for i in range(n):

　　s += i

　　i += 1

　　return s

　　def for_loop_with_test(n=100_000_000):

　　s = 0

　　for i in range(n):

　　if i < n:

　　pass

　　s += i

　　return s

　　def main():

　　print('while loop\t\t', timeit.timeit(while_loop, number=1))

　　print('for loop\t\t', timeit.timeit(for_loop, number=1))

　　print('for loop with increment\t\t',

　　timeit.timeit(for_loop_with_inc, number=1))

　　print('for loop with test\t\t', timeit.timeit(for_loop_with_test, number=1))

　　if __name__ == '__main__':

　　main()

　　# => while loop 4.718853999860585

　　# => for loop 3.211570399813354

　　# => for loop with increment 4.602369500091299

　　# => for loop with test 4.18337869993411

　　可以看出，增加的边界检查和自增操作确实大大影响了For循环的执行效率。

　　前面提到过，Python底层的解释器和内置函数是用C语言实现的。而C语言的执行效率远大于Python。

　　对于上面的求等差数列之和的操作，借助于Python内置的Sum函数，可以获得远大于 For或While循环的执行效率。

　　import timeit

　　def while_loop(n=100_000_000):

　　i = 0

　　s = 0

　　while i < n:

　　s += i

　　i += 1

　　return s

　　def for_loop(n=100_000_000):

　　s = 0

　　for i in range(n):

　　s += i

　　return s

　　def sum_range(n=100_000_000):

　　return sum(range(n))

　　def main():

　　print('while loop\t\t', timeit.timeit(while_loop, number=1))

　　print('for loop\t\t', timeit.timeit(for_loop, number=1))

　　print('sum range\t\t', timeit.timeit(sum_range, number=1))

　　if __name__ == '__main__':

　　main()

　　# => while loop 4.718853999860585

　　# => for loop 3.211570399813354

　　# => sum range 0.8658821999561042

　　可以看到，使用内置函数Sum替代循环之后，代码的执行效率实现了成倍的增长。

　　内置函数Sum的累加操作实际上也是一种循环，但它由C语言实现，而For循环中的求和操作是由纯Python代码s += i实现的。C > Python。

　　再拓展一下思维。小时候都听说过童年高斯巧妙地计算1到100之和的故事。1…100 之和等于 (1 + 100) * 50。这个计算方法同样可以应用到上面的求和操作中。

　　import timeit

　　def while_loop(n=100_000_000):

　　i = 0

　　s = 0

　　while i < n:

　　s += i

　　i += 1

　　return s

　　def for_loop(n=100_000_000):

　　s = 0

　　for i in range(n):

　　s += i

　　return s

　　def sum_range(n=100_000_000):

　　return sum(range(n))

　　def math_sum(n=100_000_000):

　　return (n * (n - 1)) // 2

　　def main():

　　print('while loop\t\t', timeit.timeit(while_loop, number=1))

　　print('for loop\t\t', timeit.timeit(for_loop, number=1))

　　print('sum range\t\t', timeit.timeit(sum_range, number=1))

　　print('math sum\t\t', timeit.timeit(math_sum, number=1))

　　if __name__ == '__main__':

　　main()

　　# => while loop 4.718853999860585

　　# => for loop 3.211570399813354

　　# => sum range 0.8658821999561042

　　# => math sum 2.400018274784088e-06

　　最终Math sum的执行时间约为2.4e-6，缩短了上百万倍。这里的思路就是，既然循环的效率低，一段代码要重复执行上亿次。

　　索性直接不要循环，通过数学公式，把上亿次的循环操作变成只有一步操作。效率自然得到了空前的加强。最后的结论(有点谜语人)：

　　实现循环的最快方式—— —— ——就是不用循环

　　对于Python而言，则尽可能地使用内置函数，将循环中的纯Python代码降到最低。

下一篇

23个机器学习最佳入门项目(附源代码)