我是一个python新手，正在研究一些基本的编码挑战，并希望有人可以解释以下哪些代码片段运行得更快。关键是看列表中是否有一对整数加起来为100：
list = [1,2,3,99,5]
for i in list:
for j in list:
if i + j == 100:
return True
或：
list = [1,2,3,99,5]
for i in list:
diff = 100 - i
if diff in list:
return True
答案 0 :(得分：3)
这个自制的随机基准测试表明，在大多数情况下使用import time, random
def time_it(f, rep=100000):
sample = [[random.randint(0, 100) for _ in range(20)] for _ in range(rep // 100)]
start = time.time()
for i in range(rep):
f(sample[i % len(sample)])
return (time.time() - start)
def nested_for(lst):
for i in lst:
for j in lst:
if i + j == 100:
return True
def nested_in(lst):
for i in lst:
diff = 100 - i
if diff in lst:
return True
print('for:', time_it(nested_for))
print('in:', time_it(nested_in))
的解决方案明显更快。我没有调查，但我确实遇到了一些运行，其中嵌套for循环的解决方案在使用样本大小时稍微快一些。
for: 0.7093353271484375
in: 0.24253296852111816
j在每次迭代中删除in的赋值可能会消除使用set的解决方案中的巨大开销。
虽然注意两个解决方案都是 O（n 2 ）。您可以使用set来实现 O（n）。由于def contains_diff(lst):
elements = set(lst)
return any(100 - i in elements for i in elements)
print(contains_diff([1, 2, 3, 99])) # True
print(contains_diff([1, 2, 3])) # False
哈希其项目，因此查找 O（1）。
in有趣的是，如果您对上述内容进行基准测试，它通常会慢于in解决方案。这是因为100在随机列表中快速找到set之和的概率相对较高。如果您希望增加您想要的差异，那么构建set的开销可以通过list查找的速度快速得到补偿。
作为旁注，您不应将list用作变量名，因为它会覆盖内置With .Range("AR2")
.Formula = "=IF(F2=""X"",VLOOKUP(A2,[PS_Export.xlsx]ps!$A:$AH,34,FALSE),IF(F2="""",=AS2+AU2+AX2)))"
.AutoFill Destination:=Range("AR2:AR" & lastrow)
End With
。