Python 容器性能优化指南
前言
在 Python 开发中，合理选择数据结构对程序性能至关重要。不同的容器类型（Container）在内存占用、访问速度和操作复杂度上存在显著差异。本文深入探讨列表（List）、集合（Set）、字典（Dict）及 collections 模块中的常用容器，通过实际测试对比不同操作的时间复杂度，帮助开发者编写更简洁高效的代码。
理解底层实现机制是优化的前提。例如，列表基于动态数组，而集合基于哈希表。掌握这些特性，能避免常见的性能陷阱。
列表性能陷阱
插入操作的差异
列表中插入数据通常使用 append() 方法在尾部追加，或使用 insert() 在任意位置插入。当数据量较大时，两者的性能差异显著。
def list_append():
"""不断往尾部追加"""
l = []
for i in range(5000):
l.append(i)
def list_insert():
"""不断往头部插入"""
l = []
for i in range(5000):
l.insert(0, i)
使用 timeit 模块进行测试：
import timeit
append_spent = timeit.timeit(list_append, number=1000)
print("list_append:", append_spent)
insert_spent = timeit.timeit(list_insert, number=1000)
print("list_insert", insert_spent)
测试结果通常显示 list_insert 比 list_append 耗时多出数十倍。这是因为列表底层是动态数组，在中间或头部插入元素时，后续所有元素都需要移动位置以腾出空间，平均时间复杂度为 $O(n)$。而在尾部插入，只有在数组扩容时才涉及复制，平均时间复杂度为 $O(1)$。
解决方案：使用 deque
对于需要频繁在两端进行插入或删除操作的场景（如队列、栈），建议使用 collections.deque。它基于双向链表实现，两端操作均为 $O(1)$，且支持线程安全。
from collections import deque
def deque_append():
l = deque()
for i ():
l.append(i)
():
l = deque()
i ():
l.appendleft(i)
timeit
append_spent = timeit.timeit(deque_append, number=)
insert_spent = timeit.timeit(deque_insert, number=)
