当前位置:

首页 > 编程开发 > Python怎样避免在循环中不断追加数据_预分配列表收集后统一转换为DF

Python怎样避免在循环中不断追加数据_预分配列表收集后统一转换为DF

循环中append()变慢源于列表扩容机制和垃圾回收压力。预分配列表可提升性能:已知长度用[None]*n赋值,未知长度用列表推导式。转换为DataFrame时推荐list[tuple]或list[list],显式指定columns。若需动态判断则不宜预分配。

本文目录

    这段代码揭示了一个很经典的问题——在循环里不断用 append() 往列表里塞东西,跑着跑着突然变慢,尤其是在处理几万甚至几十万行数据的时候。很多人都遇到过这个场景,第一反应是“是不是 append() 本身效率有问题?”但从底层实现来看,真正的原因可能和你想的不太一样。

    Python怎样避免在循环中不断追加数据_预分配列表收集后统一转换为DF

    为什么循环中 append() 会变慢?

    关键问题不在于 append() 这个操作本身有多慢,而是 Python 列表在容量不足时,会触发一次扩容机制。CPython 的实现里,每次扩容大约是 1.125 倍——意思是当当前容量不够用了,解释器会重新申请一块更大的内存空间,然后把旧元素一个个拷贝过去。假设你循环了几万次,扩容可能发生几十次,每次拷贝都伴随着内存分配的开销。累计下来的耗时,早就不是线性增长那么简单了。

    还有一个更隐蔽的陷阱:如果循环体里还顺手做了字符串拼接、字典构造、或者临时对象的创建,这些操作会显著增加垃圾回收的压力。GC 被频繁唤醒,整体执行节奏自然就被拖慢了。

    预分配列表的两种可靠做法

    预分配的前提是你得提前知道最终要装多少东西。如果能确定行数——比如遍历一个固定长度的 range、zip、或者读一个已知行数的 CSV——直接上 [None] * n 是最省事的做法。如果长度未知但逻辑上可以推导出来,列表推导式是更好的选择,解释器会在内部自动优化成一次预分配加逐行填充,比手动 append() 快得多,也更符合 Python 的风格。

    • 已知长度 n:results = [None] * n,然后 results[i] = (x, y, z) 直接按索引赋值
    • 逻辑明确但长度未知:直接上列表推导式,比如 [(f(x), g(x)) for x in data]
    • 特别提醒:别用 [[0] * n] 这种写法——它生成的其实是同一个子列表的多个引用,你改一个,其他全跟着变,后果可想而知

    从预分配列表到 DataFrame 的高效转换

    pd.DataFrame() 这个构造函数有“脾气”,不同输入结构的性能表现天差地别。tuple 列表或 list 列表速度最快;如果传的是 dict 列表,pandas 需要额外做字段对齐,开销就上去了;要是用 pd.concat 拼接多个 Series,性能会断崖式下跌。

    • 推荐的做法:预分配成 list[tuple] 或 list[list],并且保证列的顺序与目标 DataFrame 的列名严格一致
    • 构造时显式指定 columns=,否则 pandas 在遇到混合类型数据时容易自动推成 object,后续计算容易出问题
    • 如果原始数据里混了一堆 None 或 np.nan,建议构造完后立刻用 df.astype(...) 显式设定 dtype,防止后续操作意外把整列升格成 object
    data = [None] * len(items)for i, item in enumerate(items):    data[i] = (item.id, item.name, item.score)df = pd.DataFrame(data, columns=['id', 'name', 'score'])

    什么情况下不该预分配?

    预分配不是万能的。如果你的循环逻辑里需要动态判断“要不要追加”——比如过滤、异常跳过、嵌套条件——硬套预分配只会让代码变得又难读又容易出错。你得额外维护一个计数器,处理那些没填数据的空位,最后还得手动切片去掉 None。代价太大了。

    这种情况下,更务实的做法是老老实实用 append(),但把构造 DataFrame 的动作拖到循环结束之后一次性完成。关键是要确保收集到的数据结构统一、类型稳定,别搞出“dict 里面嵌套 list 里面再套 tuple”这种混乱结构。

    说实话,真正影响性能的从来不是 append 这一行代码,而是数据结构混乱、类型不稳定、以及多余的中间转换。与其死盯着预分配不放,不如先检查一下你的 data 列表里每个元素是不是长得一模一样。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。