import time
import bisect,heapq,random
def sort1(n):
"sort1 : bisect"
lst = []
for i in xrange(n):
bisect.insort_left(lst,random.randint(1,10000))
return lst
def sort2(n):
"sort2 :lst.sort"
lst = []
for i in xrange(n):
lst.append(random.randint(1,10000))
lst.sort()
return lst
def sort3(n):
"sort3 : heapq"
lst = []
for i in xrange(n):
heapq.heappush(lst,random.randint(1,10000))
return lst
for i in [sort1,sort2,sort3]:
time1 = time.clock()
i(100000)
time2 = time.clock()
time_all = time2-time1
print i.__doc__,time_all
输出结果:
sort1 : bisect 2.49
sort2 :lst.sort 0.36
sort3 : heapq 0.42
为什么 bisect, heapq 反而比内置方法 sort 还要慢？
1. bisect
根据 的文档：
Keep in mind that the O(log n) search is dominated by the slow O(n) insertion step.
也就是说，单次 insort_left 的时间复杂度是 O(n)，自然 sort1 的复杂度就变成了 O(n^2)，它最慢是应当的。
2. sort
文档说是 O(n log n) 的复杂度。从 listsort 详细文档来看，开发人员着实没少下了工夫。
3. heappush
根据维基百科，插入操作的时间复杂度是 O(log n)，所以总的时间复杂度仍然是 O(n log n)。不过有一点值得注意，插入操作的平均时间是 O(1)，所以有可能会稍微快一点。
Python vs. PyPy
CPython 2.7
sort1 : bisect 2.617674
sort2 :lst.sort 0.295187
sort3 : heapq 0.39279
PyPy 2.4
sort1 : bisect 1.31
sort2 :lst.sort 0.043
sort3 : heapq 0.029
注，我把你的调用部分复制了一遍，执行了两次，结果为第二次的输出。
可以看得出，O(n log n) 算法的耗时是在同一个数量级上的，但 CPython 中 sort 胜出，PyPy 中 heapq 胜出。
cProfile
用 cProfile 来测试，先看一下 CPython 的结果：
CPython lst.sort:
400007 function calls in 0.935 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
100000 0.325 0.000 0.386 0.000 random.py:175(randrange)
1 0.211 0.211 0.933 0.933 t.py:11(sort2)
100000 0.203 0.000 0.590 0.000 random.py:238(randint)
100000 0.071 0.000 0.071 0.000 {method 'append' of 'list' objects}
1 0.062 0.062 0.062 0.062 {method 'sort' of 'list' objects}
100000 0.061 0.000 0.061 0.000 {method 'random' of '_random.Random' objects}
CPython heapq:
400006 function calls in 1.091 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
100000 0.348 0.000 0.439 0.000 random.py:175(randrange)
1 0.228 0.228 1.089 1.089 t.py:19(sort3)
100000 0.212 0.000 0.651 0.000 random.py:238(randint)
100000 0.210 0.000 0.210 0.000 {_heapq.heappush}
100000 0.091 0.000 0.091 0.000 {method 'random' of '_random.Random' objects}
可以看出，相同操作消耗的时间差不太多，不同的地方在于 sort 用了 62ms、append 用了 71ms，总共是 133ms；而相比之下，heappush 用了 210ms。再根据之前 PyPy 的迹象，这里怀疑 CPython 和 heapq 的 C 实现在多次互相调用中有一些解释器相关的“额外”代码。
最后再看一下 PyPy 的情况。
PyPy lst.sort:
400007 function calls in 0.071 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.025 0.025 0.071 0.071 t.py:11(sort2)
1 0.018 0.018 0.018 0.018 {method 'sort' of 'list' objects}
100000 0.011 0.000 0.019 0.000 random.py:172(randrange)
100000 0.008 0.000 0.008 0.000 {method 'random' of 'Random' objects}
100000 0.006 0.000 0.006 0.000 {method 'append' of 'list' objects}
100000 0.005 0.000 0.023 0.000 random.py:235(randint)
PyPy heapq:
1156196 function calls in 0.171 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.047 0.047 0.171 0.171 t.py:19(sort3)
100000 0.034 0.000 0.070 0.000 heapq.py:242(_siftdown)
228095 0.031 0.000 0.036 0.000 heapq.py:135(cmp_lt)
100000 0.013 0.000 0.013 0.000 {method 'append' of 'list' objects}
100000 0.012 0.000 0.098 0.000 heapq.py:140(heappush)
100000 0.011 0.000 0.017 0.000 random.py:172(randrange)
100000 0.009 0.000 0.026 0.000 random.py:235(randint)
100000 0.006 0.000 0.006 0.000 {method 'random' of 'Random' objects}
228095 0.005 0.000 0.005 0.000 {hasattr}
100000 0.002 0.000 0.002 0.000 {len}
情况发生了变化！PyPy 的 heapq 实现是纯 Python 的，依托 PyPy 的性能来达到飞一般的效果。不过，在增加了 cProfile 的钩子之后，大量的函数调用计数变成了瓶颈，增加了 heapq 算法的时间消耗。
总结
n^2 的算法毋庸置疑最慢，但同样是 n log n，依次插入方式的堆排序可能会比内置的 sort 函数稍快一些，但因为 CPython 本身的一些限制无法体现。