Nel caso in cui vi state chiedendo circa le prestazioni dei diversi approcci, ecco alcuni timing:
In [1]: words = [str(i) for i in range(10000)]
In [2]: %timeit replaced = [w.replace('1', '<1>') for w in words]
100 loops, best of 3: 2.98 ms per loop
In [3]: %timeit replaced = map(lambda x: str.replace(x, '1', '<1>'), words)
100 loops, best of 3: 5.09 ms per loop
In [4]: %timeit replaced = map(lambda x: x.replace('1', '<1>'), words)
100 loops, best of 3: 4.39 ms per loop
In [5]: import re
In [6]: r = re.compile('1')
In [7]: %timeit replaced = [r.sub('<1>', w) for w in words]
100 loops, best of 3: 6.15 ms per loop
come potete vedere per tali modelli semplici la comprensione della lista accettata è la più veloce, ma guardate a egli segue:
In [8]: %timeit replaced = [w.replace('1', '<1>').replace('324', '<324>').replace('567', '<567>') for w in words]
100 loops, best of 3: 8.25 ms per loop
In [9]: r = re.compile('(1|324|567)')
In [10]: %timeit replaced = [r.sub('<\1>', w) for w in words]
100 loops, best of 3: 7.87 ms per loop
Questo dimostra che per le sostituzioni più complicati un pre-compilato reg-exp (come in 9-10
) può essere (molto) più veloce. Dipende davvero dal tuo problema e dalla parte più breve del reg-exp.
fonte
2015-05-26 14:38:37
Eseguendo un confronto tra questo metodo di comprensione degli elenchi e il metodo della mappa (pubblicato da @Anthony Kong), questo metodo di lista era approssimativamente 2x più veloce. Inoltre ha permesso di inserire più sostituzioni nella stessa chiamata, ad es. 'resname = [name.replace ('DA', 'ADE'). sostituisci ('DC', 'CYT'). sostituisci ('DG', 'GUA'). sostituisci ('DT', 'THY') per nome in ncp.resname()] ' –