本文通过实验对比了 Python 列表和集合在创建、查找、追加及删除操作上的性能差异。结果显示，集合在查找和删除操作上显著快于列表（分别快约 1000 倍和 800 倍），而列表在创建和追加操作上略快。根本原因在于数据结构不同：列表基于动态数组，内存连续；集合基于哈希表，支持 O(1) 查找但构建成本较高。开发者应根据具体场景选择合适的数据结构。
许多读者质疑 Python 集合并不总是比列表快。本文将通过代码实验比较不同场景下的性能，并基于动态数组和哈希表特性解释原因。
不能说 Python 集合的性能总是比 Python 列表高。我们需要考虑不同的场景，例如创建、查找、追加和删除。
使用 Jupyter Notebook 进行测试时，可以使用 %timeit 魔法命令来评估经过的时间。
要测试创建性能，我们可以简单地使用 来生成 10,000 个数字。请注意，这是一个生成器，但我们可以从这个生成器创建一个列表或一个集合。
range(10000)# Create list for 100 times
%timeit -n 100 my_list = list(range(10000))
# Create set for 100 times
%timeit -n 100 my_set = set(range(10000))
可以看到，创建集合所需的时间大约是创建列表的两倍。这是因为集合的数据结构比列表消耗更多的时间和空间。
在测试查找性能之前，需要正确创建一个列表和一个集合，并准备一些用于测试的数字。
import random
# Create a list and a set
my_list = list(range(10000))
my_set = set(my_list)
# Random 1000 numbers for testing purpose
test_numbers = random.sample(range(10000), 1000)
现在，我们可以使用以下代码在 Jupyter Notebook 中测试查找性能。
%timeit -n 100
for num in test_numbers:
num in my_list
%timeit -n 100
for num in test_numbers:
num in my_set
由于 1ms = 1000μs，Python 集合的查找性能比 Python 列表快 1000 倍。
现在，让我们测试追加。我们需要另一个测试数字数据集，因为我们的集合是从 1 到 10,000 的数字创建的。我们当前的测试数字是从同一范围内随机选择的，用于测试查找性能。然而，我们需要测试范围之外的数字。否则，我们对集合没有影响，因为我们不能在集合中追加重复的项。
# Random 1000 numbers from 10,000 to avoid duplicates in the set
test_numbers = random.sample(range(10000, 20000), 1000)
# Insertion into list
%timeit -n 100
for num in test_numbers:
my_list_copy.append(num)
# Insertion into set
%timeit -n 100
for num in test_numbers:
my_set_copy.add(num)
这次列表赢了，但不是很多，只快了 0.2 倍。可以说性能即将相同。
要测试删除性能，我们需要我们的原始测试数字，因为我们需要删除在列表和集合中存在的数字。
# Create the test numbers again
test_numbers = random.sample(range(10000), 1000)
# Deletion from list
%timeit -n 100
for num in test_numbers:
my_list.remove(num) if num in my_list else None
# Deletion from set
%timeit -n 100
for num in test_numbers:
my_set.discard(num)
这次 Python 集合再次获胜，大约快 800 倍。这是因为删除操作与查找有点相似。数字需要在列表或集合中找到，然后才能删除。
然而，集合的性能并不像查找那样快，查找的速度快了 1000 倍。原因是从列表中删除一个项比从集合中删除要容易一些。
Python 列表和集合的数据结构是动态数组和哈希表。它们之间的差异导致了性能比较的结果。
对于其余的比较，尽管它们是动态数组和哈希表之间的比较，我仍然会使用 Python 列表和 Python 集合来使其简单且具有上下文。
Python 列表利用连续的内存块。Python 列表中的项是相邻存储的。因此，它的结构非常紧凑和有效。
值得注意的是，列表的索引不需要显式存储。相反，当我们使用索引访问列表中的项时，索引将用作输入来计算内存位置。一个简单的例子是，如果我们需要访问第 5 个项，内存位置将是 _5 * item_length_in_bytes_。
Python 集合将为所有其项创建一个哈希表。所有项都将有哈希键，这些键将使用特定的哈希函数计算得出。
因此，当我们从集合中查找特定项时，哈希函数可以帮助使用哈希函数将项转换为键，然后使用键直接在 O(1) 时间内找到该项。
查找和删除性能
这就是为什么在集合中查找一个项目比在列表中查找要快得多。同样，要删除一个项目，主要动作是定位该项目。因此，在集合中删除一个项目的性能也比列表要快得多。
创建性能
也因为结构的原因，构建哈希表比分配一块连续内存要昂贵。因此，创建列表的性能略快。
当一个Python 列表增长时，需要分配一个新的内存块，并且一些内部指针需要更新，但通常这不是一个昂贵的操作。
当一个Python 集合增长时，所有现有的项目都需要重新哈希。这意味着'字典'需要被重建。
追加性能
这就是为什么在列表中追加或插入项目比在集合中要快一点。因为重新哈希通常需要更多时间，尤其是在有大量项目的情况下。
本文比较了 Python 列表和集合在不同场景下的性能。我们已经看到，在某些场景中，Python 列表甚至可以比 Python 集合更快。然而，需要强调的是，当 Python 集合的性能更好时，它通常要快数千倍，而反过来，Python 列表在其他场景中只能稍微快一点。
本文旨在帮助开发者根据场景选择合适的结构。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML 转 Markdown 互为补充。 在线工具，Markdown 转 HTML在线工具，online
将 HTML 片段转为 GitHub Flavored Markdown，支持标题、列表、链接、代码块与表格等；浏览器内处理，可链接预填。 在线工具，HTML 转 Markdown在线工具，online