Python3--数据类和字典，哪一个访问数据更快？

问题描述

Python3.7引入了dataclasses来存储数据。我正在考虑采用这种比词典更有条理、结构更好的新方法。

但我有一个疑问。Python将键转换为DICT上的散列，这使得查找键和值的速度更快。数据类实现了类似的东西吗？

哪个更快？为什么？

---

解决方案

Python中的所有类实际上都在幕后使用字典来存储它们的属性，您可以在文档中阅读here。要更深入地了解Python类(以及更多内容)是如何工作的，您还可以查看python's datamodel上的文章，特别是关于定制类的部分。

因此，通常情况下，从字典转移到数据类不会降低性能。但最好确保使用timeit模块：

---

基线

# dictionary creation
$ python -m timeit "{'var': 1}"
5000000 loops, best of 5: 52.9 nsec per loop

# dictionary key access
$ python -m timeit -s "d = {'var': 1}" "d['var']"
10000000 loops, best of 5: 20.3 nsec per loop

---

基本数据类

# dataclass creation
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: var: int" "A(1)" 
1000000 loops, best of 5: 288 nsec per loop

# dataclass attribute access
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: var: int" -s "a = A(1)" "a.var" 
10000000 loops, best of 5: 25.3 nsec per loop

---

在这里我们可以看到，使用类确实有一些开销。对于类创建来说，这相当慢(大约慢5倍)，但只要您不打算每秒多次创建和丢弃数据类，您就不必太在意它。

属性访问可能是更重要的指标，虽然数据类再次变慢(~1.25倍)，但这次没有那么慢。

如果您认为这仍然有点太慢，您可以使用slots而不是字典来存储它们的属性，从而调优您的数据类(或者实际上是任何类)：

---

时隙数据类

# dataclass creation
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: __slots__ = ('var',); var: int" "A(1)" 
1000000 loops, best of 5: 242 nsec per loop

# dataclass attribute access
$ python -m timeit -s "from dataclasses import dataclass" -s "@dataclass" -s "class A: __slots__ = ('var',); var: int" -s "a = A(1)" "a.var"
10000000 loops, best of 5: 21.7 nsec per loop

通过使用这种模式，我们可以多刮几纳秒。在这一点上，至少在属性访问方面，应该不再与字典有明显的区别，并且您可以在不影响速度的情况下使用数据类的优点。