我们可以这样做数值迭代：
for i in xrange(10): print i,
以及C风格：
i = 0 while i < 10: print i, i = i + 1
是的，我知道，第一个是不容易出错，更Python，但它是不够快的C风格的版本？附言：我来自C++星球，对Python一级很陌生。
lo8azlld1#
我确信while版本更慢。Python将不得不在循环的每一圈查找整数对象的add操作etc，它不是纯C仅仅因为它看起来像它！如果你想要一个Python版本的上述内容，用途：
while
print " ".join(str(i) for i in xrange(10))
编辑：我的计时是这样的，这只是一个愚蠢的循环，没有打印，只是为了告诉你在Python中写出“i += 1”等需要花费多少。
$ python -mtimeit "i=0" "while i < 1000: i+=1" 1000 loops, best of 3: 303 usec per loop $ python -mtimeit "for i in xrange(1000): pass" 10000 loops, best of 3: 120 usec per loop
ejk8hzay2#
谁在乎呢？说真的。如果你想知道，使用timeit包（你可以用-m从命令行调用它）。但这并不重要，因为差别可以忽略不计，而且一般来说，Python不是一种你想要速度就可以选择的语言。
jchrr9hc3#
第一个。你的意思是，更快的发展，对不对？PS：没关系，现在的机器速度太快了，在使用全面的分析器识别瓶颈之前，考虑微观优化是毫无意义的。
a7qyws3x4#
他们是都避免：-）一般来说，每次我看到对数字的迭代时，我都会看到一些非Python代码，它们可以通过对列表或生成器的迭代以更好的方式表示。实际上，我说的是“Python”，但它是关于可读性的。使用惯用代码将提高可读性，最终也提高性能，因为编译器将更好地知道如何优化它。
yvt65v4c5#
如果程序太慢，请尝试使用psyco。不要担心你的问题中的微观优化。编写可维护的程序（包括遵循标准的Python风格，以便其他程序员更容易阅读）。
kognpnkq6#
在Python中，越短越清晰的版本总是越好，如果我没弄错的话，range和xrange函数不是原生的，如果你尝试xrange（sys.maxint+1），你会得到一个溢出错误。此外，这到底有什么用呢？如果你只是打印10个数字，那么可读性肯定要高出1000倍--而且我不认为你会打印超过100万个数字......
kokeuurv7#
如果你追求数值代码的效率，你应该使用numpy和scipy，你的积分可以很快写成numpy.sum( numpy.arange( 10 ) )
numpy.sum( numpy.arange( 10 ) )
7条答案
按热度按时间lo8azlld1#
我确信
while版本更慢。Python将不得不在循环的每一圈查找整数对象的add操作etc，它不是纯C仅仅因为它看起来像它！如果你想要一个Python版本的上述内容，用途：
编辑：我的计时是这样的，这只是一个愚蠢的循环，没有打印，只是为了告诉你在Python中写出“i += 1”等需要花费多少。
ejk8hzay2#
谁在乎呢？说真的。如果你想知道，使用timeit包（你可以用-m从命令行调用它）。
但这并不重要，因为差别可以忽略不计，而且一般来说，Python不是一种你想要速度就可以选择的语言。
jchrr9hc3#
第一个。
你的意思是，更快的发展，对不对？
PS：没关系，现在的机器速度太快了，在使用全面的分析器识别瓶颈之前，考虑微观优化是毫无意义的。
a7qyws3x4#
他们是都避免：-）
一般来说，每次我看到对数字的迭代时，我都会看到一些非Python代码，它们可以通过对列表或生成器的迭代以更好的方式表示。
实际上，我说的是“Python”，但它是关于可读性的。使用惯用代码将提高可读性，最终也提高性能，因为编译器将更好地知道如何优化它。
yvt65v4c5#
如果程序太慢，请尝试使用psyco。
不要担心你的问题中的微观优化。编写可维护的程序（包括遵循标准的Python风格，以便其他程序员更容易阅读）。
kognpnkq6#
在Python中，越短越清晰的版本总是越好，如果我没弄错的话，range和xrange函数不是原生的，如果你尝试xrange（sys.maxint+1），你会得到一个溢出错误。
此外，这到底有什么用呢？如果你只是打印10个数字，那么可读性肯定要高出1000倍--而且我不认为你会打印超过100万个数字......
kokeuurv7#
如果你追求数值代码的效率，你应该使用numpy和scipy，你的积分可以很快写成
numpy.sum( numpy.arange( 10 ) )