***列表和字典在底层中 谁更快***

生成一个很大的文本文件
分别用列表和字典来存储数据，然后读取并搜索数据
考察列表和字典做为数据结构的时候，存储的时间，搜索和访问的时间
计算两种方案的消耗时间
1.创建百万字符文件

我们需要一个较大的文件，来证明我们的猜想！干脆直接生成一个有百万行的字符串乱码文件。

1).产生一串随机字符:

取一些随机的字符，包括数字，字符，标点和符号等等,一共95个随机字符

2).把字符序列，进行随机化分布

def create_random_nums(nums=None):

random.shuffle(nums)

return nums

直接用random模块，把字符串序列随机化.

3).随机100万行的字符序列，写入文件

def create_file():

chars=get_random_chars()

for i in range(1000000):

with open(‘data.txt‘,‘at‘) as f:

data=create_random_nums(chars)

f.writelines(data)

f.write(‘ ‘)

用个大循环把随机的字符串写入文件中，大概有一百万行，文件大小在100M左右，这里只是试例代码，其实可以用并发写更快一点。

先从百万行随机字符串文件中，读取一定数量的数据(10000行数据)，
存入10000行放入all_data列表
接着从10000行all_data列表里面随机取1000行
放到一个target_data列表
最后搜索这个target_data列表
3.用字典做数据结构

我们用相同的场景，用字典作为数据结构容器，从百万文件中来读取数据。

考察字典的存储数据的时间，以及字典中的搜索数据的时间。

先从百万行字符串文件中，读取一定数量的字符(假如为10000行)
存到到字典里面,把每一行做为key
接着提取这个字典里面的key,把这个10000行的数据，转为列表
从10000行里面随机取1000行出来，放到target_data列表

看一下用列表消耗的时间:

all_data, target_data = read_list_data(file_name, 100000, 1000)

cost=cost_time(all_data,target_data)

print (cost)

0.09532666921615601秒
看一些用字典消耗的时间:

all_data, target_data = read_dict_data(file_name, 100000, 1000)

cost=cost_time(all_data,target_data)

print (cost)

0.00016084909439086914秒
字典的性能是列表的600倍，可见字典作为数据结构，会快快快很多！尤其是非常大的数据存储和读取的时候。

既然字典这么快，那么线性增加搜索，看看耗时如何，刚才是1×××面搜1千，现在我们从二十万搜1千看看,1百×××面搜1千看看。

all_data, target_data = read_dict_data(file_name, 200000, 1000)

cost=cost_time(all_data,target_data)

print (cost)

0.00014181852340698243
all_data, target_data = read_dict_data(file_name, 1000000, 1000)

cost=cost_time(all_data,target_data)

print (cost)

0.00022308111190795897
发现消耗的时间差不多

结论：

为啥字典性能比列表快这么多？这要从字典和列表的原理说起，字典其实是散列表或者说是哈希表！内部存储的时候是根据hash地址来搜索的，搜索的时候不需要从头开始搜索，这也就是为啥哈希表变大，20万和100万的查询的速度差不多！

而列表是什么，Python列表是一种顺序线性表，好处是插入,移除比较快速，但是搜索会慢很多！

综上所述，由于Python中字典的性能远高于列表，Python源码中很多底层的对象都是用字典类型，只要重载hash魔法函数，让它返回一个可哈希的对象，这样的对象就可以用做字典的key。小伙伴今天是不是又学到一招！