As tuplas são mais eficientes que as listas em Python?

Existe alguma diferença de desempenho entre tuplas e listas quando se trata de instanciação e recuperação de elementos?

O dismódulo desmonta o código de bytes para uma função e é útil para ver a diferença entre tuplas e listas.

Nesse caso, você pode ver que acessar um elemento gera código idêntico, mas que atribuir uma tupla é muito mais rápido do que atribuir uma lista.

>>> def a():
...     x=[1,2,3,4,5]
...     y=x[2]
...
>>> def b():
...     x=(1,2,3,4,5)
...     y=x[2]
...
>>> import dis
>>> dis.dis(a)
  2           0 LOAD_CONST               1 (1)
              3 LOAD_CONST               2 (2)
              6 LOAD_CONST               3 (3)
              9 LOAD_CONST               4 (4)
             12 LOAD_CONST               5 (5)
             15 BUILD_LIST               5
             18 STORE_FAST               0 (x)

  3          21 LOAD_FAST                0 (x)
             24 LOAD_CONST               2 (2)
             27 BINARY_SUBSCR
             28 STORE_FAST               1 (y)
             31 LOAD_CONST               0 (None)
             34 RETURN_VALUE
>>> dis.dis(b)
  2           0 LOAD_CONST               6 ((1, 2, 3, 4, 5))
              3 STORE_FAST               0 (x)

  3           6 LOAD_FAST                0 (x)
              9 LOAD_CONST               2 (2)
             12 BINARY_SUBSCR
             13 STORE_FAST               1 (y)
             16 LOAD_CONST               0 (None)
             19 RETURN_VALUE

Em geral, você pode esperar que as tuplas sejam um pouco mais rápidas. No entanto, você definitivamente deve testar seu caso específico (se a diferença puder afetar o desempenho do seu programa - lembre-se de que "a otimização prematura é a raiz de todo mal").

O Python facilita isso: o timeit é seu amigo.

$ python -m timeit "x=(1,2,3,4,5,6,7,8)"
10000000 loops, best of 3: 0.0388 usec per loop

$ python -m timeit "x=[1,2,3,4,5,6,7,8]"
1000000 loops, best of 3: 0.363 usec per loop

e...

$ python -m timeit -s "x=(1,2,3,4,5,6,7,8)" "y=x[3]"
10000000 loops, best of 3: 0.0938 usec per loop

$ python -m timeit -s "x=[1,2,3,4,5,6,7,8]" "y=x[3]"
10000000 loops, best of 3: 0.0649 usec per loop

Portanto, nesse caso, a instanciação é quase uma ordem de magnitude mais rápida para a tupla, mas o acesso ao item é realmente um pouco mais rápido para a lista! Portanto, se você estiver criando algumas tuplas e acessando-as muitas vezes, pode ser mais rápido usar as listas.

Obviamente, se você quiser alterar um item, a lista será definitivamente mais rápida, pois você precisará criar uma nova tupla inteira para alterar um item (já que as tuplas são imutáveis).

Resumo

As tuplas tendem a ter um desempenho melhor do que as listas em quase todas as categorias:

1) As tuplas podem ser dobradas constantemente .

2) As tuplas podem ser reutilizadas em vez de copiadas.

3) As tuplas são compactas e não superalocam.

4) Tuplas referenciam diretamente seus elementos.

As tuplas podem ser dobradas constantemente

Tuplas de constantes podem ser pré-computadas pelo otimizador de olho mágico do Python ou pelo otimizador AST. As listas, por outro lado, são criadas do zero:

    >>> from dis import dis

    >>> dis(compile("(10, 'abc')", '', 'eval'))
      1           0 LOAD_CONST               2 ((10, 'abc'))
                  3 RETURN_VALUE   

    >>> dis(compile("[10, 'abc']", '', 'eval'))
      1           0 LOAD_CONST               0 (10)
                  3 LOAD_CONST               1 ('abc')
                  6 BUILD_LIST               2
                  9 RETURN_VALUE 

Tuplas não precisam ser copiadas

A execução tuple(some_tuple)retorna imediatamente a si mesma. Como as tuplas são imutáveis, elas não precisam ser copiadas:

>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True

Por outro lado, list(some_list)exige que todos os dados sejam copiados para uma nova lista:

>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False

Tuplas não superalocam

Como o tamanho de uma tupla é fixo, ele pode ser armazenado de forma mais compacta do que as listas que precisam ser superalocadas para tornar eficientes as operações append () .

Isso dá às tuplas uma boa vantagem de espaço:

>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200

Aqui está o comentário de Objects / listobject.c que explica o que as listas estão fazendo:

/* This over-allocates proportional to the list size, making room
 * for additional growth.  The over-allocation is mild, but is
 * enough to give linear-time amortized behavior over a long
 * sequence of appends() in the presence of a poorly-performing
 * system realloc().
 * The growth pattern is:  0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...
 * Note: new_allocated won't overflow because the largest possible value
 *       is PY_SSIZE_T_MAX * (9 / 8) + 6 which always fits in a size_t.
 */

Tuplas se referem diretamente a seus elementos

Referências a objetos são incorporadas diretamente em um objeto de tupla. Por outro lado, as listas têm uma camada extra de indireção para uma matriz externa de ponteiros.

Isso fornece às tuplas uma pequena vantagem de velocidade para pesquisas indexadas e descompactação:

$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'a[1]'
10000000 loops, best of 3: 0.0304 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'a[1]'
10000000 loops, best of 3: 0.0309 usec per loop

$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'x, y, z = a'
10000000 loops, best of 3: 0.0249 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'x, y, z = a'
10000000 loops, best of 3: 0.0251 usec per loop

Aqui está como a tupla (10, 20)é armazenada:

    typedef struct {
        Py_ssize_t ob_refcnt;
        struct _typeobject *ob_type;
        Py_ssize_t ob_size;
        PyObject *ob_item[2];     /* store a pointer to 10 and a pointer to 20 */
    } PyTupleObject;

Aqui está como a lista [10, 20]é armazenada:

    PyObject arr[2];              /* store a pointer to 10 and a pointer to 20 */

    typedef struct {
        Py_ssize_t ob_refcnt;
        struct _typeobject *ob_type;
        Py_ssize_t ob_size;
        PyObject **ob_item = arr; /* store a pointer to the two-pointer array */
        Py_ssize_t allocated;
    } PyListObject;

Observe que o objeto tupla incorpora os dois ponteiros de dados diretamente, enquanto o objeto de lista possui uma camada adicional de indireção a uma matriz externa que contém os dois ponteiros de dados.

As tuplas, sendo imutáveis, são mais eficientes em termos de memória; lista, por eficiência, atribui um total de memória à memória para permitir anexos sem reallocs constante . Portanto, se você deseja percorrer uma sequência constante de valores em seu código (por exemplo for direction in 'up', 'right', 'down', 'left':), as tuplas são preferidas, pois essas tuplas são pré-calculadas em tempo de compilação.

As velocidades de acesso devem ser as mesmas (ambas são armazenadas como matrizes contíguas na memória).

Mas, alist.append(item)é muito preferido atuple+= (item,)quando você lida com dados mutáveis. Lembre-se de que as tuplas devem ser tratadas como registros sem nomes de campos.

Você também deve considerar o arraymódulo na biblioteca padrão se todos os itens em sua lista ou tupla forem do mesmo tipo C. Vai demorar menos memória e pode ser mais rápido.

Aqui está outra pequena referência, apenas por uma questão ..

In [11]: %timeit list(range(100))
749 ns ± 2.41 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [12]: %timeit tuple(range(100))
781 ns ± 3.34 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

In [1]: %timeit list(range(1_000))
13.5 µs ± 466 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [2]: %timeit tuple(range(1_000))
12.4 µs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [7]: %timeit list(range(10_000))
182 µs ± 810 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [8]: %timeit tuple(range(10_000))
188 µs ± 2.38 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [3]: %timeit list(range(1_00_000))
2.76 ms ± 30.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [4]: %timeit tuple(range(1_00_000))
2.74 ms ± 31.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [10]: %timeit list(range(10_00_000))
28.1 ms ± 266 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [9]: %timeit tuple(range(10_00_000))
28.5 ms ± 447 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Vamos calcular a média:

In [3]: l = np.array([749 * 10 ** -9, 13.5 * 10 ** -6, 182 * 10 ** -6, 2.76 * 10 ** -3, 28.1 * 10 ** -3])

In [2]: t = np.array([781 * 10 ** -9, 12.4 * 10 ** -6, 188 * 10 ** -6, 2.74 * 10 ** -3, 28.5 * 10 ** -3])

In [11]: np.average(l)
Out[11]: 0.0062112498000000006

In [12]: np.average(t)
Out[12]: 0.0062882362

In [17]: np.average(t) / np.average(l)  * 100
Out[17]: 101.23946713590554

Você pode chamar isso de quase inconclusivo.

Mas, com certeza, as tuplas gastaram 101.239%tempo ou 1.239%tempo extra para fazer o trabalho em comparação com as listas.

As tuplas devem ser um pouco mais eficientes e, por isso, mais rápidas do que as listas, porque são imutáveis.

A principal razão para a Tuple ser muito eficiente na leitura é porque é imutável.

Por que objetos imutáveis ​​são fáceis de ler?

O motivo é que as tuplas podem ser armazenadas no cache da memória, ao contrário das listas. O programa sempre lê a partir da localização da memória da lista, pois é mutável (pode mudar a qualquer momento).