Python 实现循环的最快方式（for、while 等速度对比）
众所周知，实现式f速度Python 不是循环一种执行效率较高的语言。此外在任何语言中，最e等对比循环都是快方一种非常消耗时间的操作。假如任意一种简单的实现式f速度单步操作耗费的时间为 1 个单位，将此操作重复执行上万次，循环最终耗费的最e等对比时间也将增长上万倍。
while 和 for 是快方 Python 中常用的两种实现循环的关键字，它们的实现式f速度运行效率实际上是有差距的。比如下面的循环测试代码：
import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def main(): print(while loop\t\t, timeit.timeit(while_loop, number=1)) print(for loop\t\t, timeit.timeit(for_loop, number=1)) if __name__ == __main__: main() # => while loop 4.718853999860585 # => for loop 3.211570399813354这是一个简单的求和操作，计算从 1 到 n 之间所有自然数的最e等对比总和。可以看到 for 循环相比 while 要快 1.5 秒。快方
其中的实现式f速度差距主要在于两者的机制不同。
在每次循环中，循环while 实际上比 for 多执行了两步操作：边界检查和变量 i 的服务器租用最e等对比自增。即每进行一次循环，while 都会做一次边界检查 (while i < n）和自增计算（i +=1）。这两步操作都是显式的纯 Python 代码。
for 循环不需要执行边界检查和自增操作，没有增加显式的 Python 代码（纯 Python 代码效率低于底层的 C 代码）。当循环的次数足够多，就出现了明显的效率差距。
可以再增加两个函数，在 for 循环中加上不必要的边界检查和自增计算：
import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def for_loop_with_inc(n=100_000_000): s = 0 for i in range(n): s += i i += 1 return s def for_loop_with_test(n=100_000_000): s = 0 for i in range(n): if i < n: pass s += i return s def main(): print(while loop\t\t, timeit.timeit(while_loop, number=1)) print(for loop\t\t, timeit.timeit(for_loop, number=1)) print(for loop with increment\t\t, timeit.timeit(for_loop_with_inc, number=1)) print(for loop with test\t\t, timeit.timeit(for_loop_with_test, number=1)) if __name__ == __main__: main() # => while loop 4.718853999860585 # => for loop 3.211570399813354 # => for loop with increment 4.602369500091299 # => for loop with test 4.18337869993411可以看出，增加的边界检查和自增操作确实大大影响了 for 循环的执行效率。
前面提到过，Python 底层的解释器和内置函数是用 C 语言实现的。而 C 语言的执行效率远大于 Python。
对于上面的求等差数列之和的操作，借助于 Python 内置的 sum 函数，可以获得远大于 for 或 while 循环的亿华云计算执行效率。
import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def sum_range(n=100_000_000): return sum(range(n)) def main(): print(while loop\t\t, timeit.timeit(while_loop, number=1)) print(for loop\t\t, timeit.timeit(for_loop, number=1)) print(sum range\t\t, timeit.timeit(sum_range, number=1)) if __name__ == __main__: main() # => while loop 4.718853999860585 # => for loop 3.211570399813354 # => sum range 0.8658821999561042可以看到，使用内置函数 sum 替代循环之后，代码的执行效率实现了成倍的增长。
内置函数 sum 的累加操作实际上也是一种循环，但它由 C 语言实现，而 for 循环中的求和操作是由纯 Python 代码 s += i 实现的。C > Python。
再拓展一下思维。小时候都听说过童年高斯巧妙地计算 1 到 100 之和的故事。1…100 之和等于 (1 + 100) * 50。这个计算方法同样可以应用到上面的求和操作中。
import timeit def while_loop(n=100_000_000): i = 0 s = 0 while i < n: s += i i += 1 return s def for_loop(n=100_000_000): s = 0 for i in range(n): s += i return s def sum_range(n=100_000_000): return sum(range(n)) def math_sum(n=100_000_000): return (n * (n - 1)) // 2 def main(): print(while loop\t\t, timeit.timeit(while_loop, number=1)) print(for loop\t\t, timeit.timeit(for_loop, number=1)) print(sum range\t\t, timeit.timeit(sum_range, number=1)) print(math sum\t\t, timeit.timeit(math_sum, number=1)) if __name__ == __main__: main() # => while loop 4.718853999860585 # => for loop 3.211570399813354 # => sum range 0.8658821999561042 # => math sum 2.400018274784088e-06最终 math sum 的执行时间约为 2.4e-6，缩短了上百万倍。这里的思路就是，既然循环的效率低，一段代码要重复执行上亿次。
索性直接不要循环，通过数学公式，把上亿次的源码下载循环操作变成只有一步操作。效率自然得到了空前的加强。
最后的结论（有点谜语人）：
实现循环的最快方式—— —— ——就是不用循环
对于 Python 而言，则尽可能地使用内置函数，将循环中的纯 Python 代码降到最低。