字典和列表性能哪家強，讓我用一百萬隨機字符來為你揭曉！
思路：
生成一個很大的文本文件
分別用列表和字典來存儲數據，然後讀取並搜索數據
考察列表和字典做為數據結構的時候，存儲的時間，搜索和訪問的時間
計算兩種方案的消耗時間
1.創建百萬字符文件
我們需要一個較大的文件，來證明我們的猜想！幹脆直接生成一個有百萬行的字符串亂碼文件。
1).產生一串隨機字符:
取一些隨機的字符，包括數字，字符，標點和符號等等,一共95個隨機字符。
2).把字符序列，進行隨機化分布
def create_random_nums(nums=None):
random.shuffle(nums)
return nums
直接用random模塊，把字符串序列隨機化.
3).隨機100萬行的字符序列，寫入文件
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(‘ ‘)
用個大循環把隨機的字符串寫入文件中，大概有一百萬行，文件大小在100M左右，這裏只是試例代碼，其實可以用並發寫更快一點。
2.用列表做數據結構
先從百萬行隨機字符串文件中，讀取一定數量的數據(10000行數據)，
存入10000行放入all_data列表
接著從10000行all_data列表裏面隨機取1000行
放到一個target_data列表
最後搜索這個target_data列表
3.用字典做數據結構
我們用相同的場景，用字典作為數據結構容器，從百萬文件中來讀取數據。
考察字典的存儲數據的時間，以及字典中的搜索數據的時間。
先從百萬行字符串文件中，讀取一定數量的字符(假如為10000行)
存到到字典裏面,把每一行做為key
接著提取這個字典裏面的key,把這個10000行的數據，轉為列表
從10000行裏面隨機取1000行出來，放到target_data列表
4.計算運行時間
我們計算兩種數據結構運行的時間，為了更準確。我們運行100次求均值
看一下用列表消耗的時間:
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時間:
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，可見字典作為數據結構，會快快快很多！尤其是非常大的數據存儲和讀取的時候。
既然字典這麽快，那麽線性增加搜索，看看耗時如何，剛才是1×××面搜1千，現在我們從二十萬搜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
發現消耗的時間差不多
結論：
為啥字典性能比列表快這麽多？這要從字典和列表的原理說起，字典其實是散列表或者說是哈希表！內部存儲的時候是根據hash地址來搜索的，搜索的時候不需要從頭開始搜索，這也就是為啥哈希表變大，20萬和100萬的查詢的速度差不多！
而列表是什麽，Python列表是一種順序線性表，好處是插入,移除比較快速，但是搜索會慢很多！
綜上所述，由於Python中字典的性能遠高於列表，Python源碼中很多底層的對象都是用字典類型，只要重載hash魔法函數，讓它返回一個可哈希的對象，這樣的對象就可以用做字典的key。小夥伴今天是不是又學到一招！
文章地步為你有準備Python零基礎flask教程，點解鏈接進入就能了解：Python flask零基礎教程
字典和列表性能哪家強，讓我用一百萬隨機字符來為你揭曉！