Les listes Python redimensionnent dynamiquement, mais la préallocation peut améliorer les performances, surtout avec des grands ensembles de données. Cet article explore des techniques de préallocation efficaces pour les listes et autres structures de données séquentielles.
Table des matières
- Préallocation des listes Python
- Préallocation des tableaux NumPy
- Préallocation avec
array.array - Choisir la bonne structure de données
Préallocation des listes Python
Bien que Python ne prenne pas directement en charge les listes de taille prédéfinie comme certains autres langages, nous pouvons les créer efficacement en utilisant des compréhensions de listes ou l’opérateur *.
Méthode 1 : Compréhension de liste
Idéal pour créer des listes d’une taille spécifique remplies d’une seule valeur répétée :
size = 10
my_list = [0] * size # Liste de 10 zéros
print(my_list) # Sortie : [0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
my_list = [None] * size # Liste de 10 valeurs None
print(my_list) # Sortie: [None, None, None, None, None, None, None, None, None, None]
Méthode 2 : Utilisation de list() avec un générateur
Offre de la flexibilité pour une initialisation plus complexe où chaque élément nécessite une valeur unique :
size = 5
my_list = list(range(size)) # Crée [0, 1, 2, 3, 4]
print(my_list)
my_list = list(i**2 for i in range(size)) # Crée [0, 1, 4, 9, 16]
print(my_list)
Note importante : La préallocation optimise principalement la population initiale en minimisant le redimensionnement. L’ajout d’éléments au-delà de la taille initiale déclenche toujours un redimensionnement dynamique.
Préallocation des tableaux NumPy
Les tableaux NumPy excellent dans le calcul numérique et les grands ensembles de données. Ils permettent la spécification directe de la taille et du type de données :
import numpy as np
size = 10
my_array = np.zeros(size, dtype=int) # Tableau de 10 zéros (entiers)
print(my_array)
my_array = np.empty(size, dtype=float) # Tableau de 10 flottants non initialisés (à utiliser avec précaution !)
print(my_array)
my_array = np.arange(size) # Tableau [0, 1, 2, ..., 9]
print(my_array)
NumPy offre diverses fonctions pour créer des tableaux avec différentes valeurs initiales et types de données, améliorant considérablement l’efficacité des opérations numériques.
Préallocation avec array.array
Le module array.array fournit un stockage compact pour les données homogènes, nécessitant la spécification du type de données :
import array
size = 5
my_array = array.array('i', [0] * size) # Tableau de 5 entiers initialisés à 0
print(my_array)
'i' spécifie le type entier signé ; consultez la documentation pour les autres codes de type.
Choisir la bonne structure de données
Le meilleur choix (liste, tableau NumPy, array.array) dépend de votre application et de vos données. Les tableaux NumPy sont généralement préférés pour le calcul numérique en raison de leurs avantages en termes de performances. Pour les données simples et homogènes, array.array peut être plus efficace que les listes. Les listes Python restent polyvalentes pour une utilisation générale avec des types de données mixtes, malgré leur redimensionnement dynamique.