在日常使用 python 時，我們經常需要建立乙個列表，相信大家都很熟練了吧？
# 方法一：使用成對的方括號語法
list_a =
# 方法二：使用內建的 list()
list_b = list()
對於第乙個問題，使用timeit模組的 timeit() 函式就能簡單地測算出來：
如上圖所示，在各自呼叫一千萬次的情況下， 建立方式只花費了 0.47 秒，而 list() 建立方式要花費 1.75 秒，所以，後者的耗時是前者的 3.7 倍！
這就回答了剛才的問題：建立空列表時， 要比 list() 快不少。
注：timeit() 函式的效率跟執行環境相關，每次執行結果會有微小差異。我在 python3.8 版本實驗了幾次，總體上 速度是 list() 的 3 倍多一點。那麼，我們繼續來分析一下第二個問題：為什麼 會更快呢？
這一次我們可以使用dis模組的 dis() 函式，看看兩者執行的位元組碼有何差別：
如上圖所示， 的位元組碼有兩條指令（build_list 與 return_value），而 list() 的位元組碼有三條指令（load_name、call_function 與 return_value）。
這些指令意味著什麼呢？該如何理解呢？
首先，對於 ，它是 python 中的一組字面量（literal），像數字之類的字面量一樣，表示確切的固定值。
也就是說，python 在解析到它時，就知道它要表示乙個列表，因此會直接呼叫直譯器中構建列表的方法（對應build_list），來建立列表，所以是一步到位。
而對於 list()，「list」只是乙個普通的名稱，並不是字面量，也就是說直譯器一開始並不認識它。
因此，直譯器的第一步是要找到這個名稱（對應load_name）。它會按照一定的順序，在各個作用域中逐一查詢（區域性作用域--全域性作用域--內建作用域），直到找到為止，找不到則丟擲nameerror。
直譯器看到「list」之後是一對圓括號，因此第二步是把這個名稱當作可呼叫物件來呼叫，即把它當成乙個函式進行呼叫（對應 call_function）。
因此，list() 在建立列表時，需要經過名稱查詢與函式呼叫兩個步驟，才能真正開始建立列表（注：call_function 在底層還會有一些函式呼叫過程，才能走到跟 build_list 相通的邏輯，此處我們忽略不計）。
看完前兩個問題的解答過程，你也許覺得還不夠過癮，而且可能覺得就算知道了這個冷知識，也不會有多大的幫助，似乎那微弱的提公升顯得微不足道。
而且，由於有發散性思考的習慣，我還想到了另外乙個挺有意思的問題：list() 的速度能否提公升呢？
我不久前正好討論到這個問題，也就是在剛剛發布的 python 3.9.0 版本中，它給 list() 實現了更快的 vectorcall 協議，因此執行速度會有一定的提公升。
根據我多輪的測試結果，在新版本中執行 list() 一千萬次，耗時大概在 1 秒左右，也就是 執行耗時的 2 倍，相比於前面接近 4 倍的資料，當前版本總體上是提公升了不少。
在這裡還是要推薦下我自己建的python學習群:609616831，群裡都是學python的，如果你想學或者正在學習python ，歡迎你加入，大家都是軟體開發黨，不定期分享乾貨（只有python軟體開發相關的），包括我自己整理的乙份2020最新的python高階資料和零基礎教學，歡迎高階中和對python感興趣的小夥伴加入！
為什麼 比list（）更快？
我最近比較了和list 的處理速度，並且驚訝地發現執行速度比list 快三倍以上。我跑了相同的測試與 和dict 結果幾乎相同 和 兩個花了大約0.128sec 百萬次，而list 和dict 大約花費每個0.428sec 萬次。後來我查了查原因，得到的結論如下 list 需要全域性查詢和函式呼叫，...
Spark 為什麼比Hadoop快
spark sql比hadoop hive快，是有一定條件的，而且不是spark sql的引擎比hive的引擎快，相反，hive的hql引擎還比spark sql的引擎更快。color red b 其實，關鍵還是在於spark 本身快。b color color red size large b s...
Spark 為什麼比Hadoop快
spark sql比hadoop hive快，是有一定條件的，而且不是spark sql的引擎比hive的引擎快，相反，hive的hql引擎還比spark sql的引擎更快。color red b 其實，關鍵還是在於spark 本身快。b color color red size large b s...