为何Python中数字平方运算比自乘运算更慢？

我出于好奇在Python中运行了如下代码：

import time

def timeit(function):
    strt = time.time()
    for _ in range(100_000_000):
        function()
    end = time.time()
    print(end-strt)

@timeit
def function1():
    return 1 * 1

@timeit
def function2():
    return 1_000_000_000_000_000_000_000_000_000_000 * 1_000_000_000_000_000_000_000_000_000_000

@timeit 
def function3():
    return 1_000_000_000_000_000_000_000_000_000_000 ** 2

运行结果如下：

4.712368965148926
9.684480905532837
11.74640703201294

为何第三个函数（数字平方运算）比第二个函数（数字自乘运算）更慢？计算机内部是如何处理的？我原本以为幂运算本质就是直接将数字自乘。

解答 #

这两种操作的性能差异，核心在于Python对它们的实现逻辑完全不同：

• 直接乘法a * a的处理
  这是Python整数类型专门优化的乘法路径，底层直接调用针对任意精度整数的乘法算法，没有多余的分支判断，直接执行两个大数的相乘逻辑，流程简洁，额外开销极小。

• 幂运算a ** 2的处理
  **是通用的幂运算运算符，它的实现必须兼容所有可能的指数场景：比如指数为负数、浮点数、超大整数等。哪怕你只是计算平方，这个通用函数也会先执行一系列预处理步骤：

  • 检查指数的类型与正负性
  • 初始化通用幂运算的逻辑（比如快速幂算法的框架，即使指数为2，也会有额外的判断分支）
  • 执行参数校验、边界情况处理等
    这些额外的步骤都会累积运行开销，导致整体耗时比直接乘法更长。

简单来说，a*a是针对两数相乘定制的高效操作，而a**2是兼顾所有幂运算场景的通用实现，为了兼容性牺牲了简单场景的性能。

内容的提问来源于stack exchange，提问作者vs07