为何小数值场景下乘法运算比位运算移位更快？

现象观察 #

先看两组性能测试的结果：

第一组测试取多次运行的最小值：

from timeit import repeat
for e in ['x*2 ', 'x<<1'] * 3:
    print(e, min(repeat(e, 'x=5')))

输出：

x*2  0.015567475988063961
x<<1 0.024531989998649806
x*2  0.01551242297864519
x<<1 0.024578287004260346
x*2  0.015560572996037081
x<<1 0.02448918900336139

可以看到小数值x=5时，x*2的耗时明显比x<<1低，且这个差异在x到10亿时都存在，仅随倍数增大而缩小。

第二组测试取多次运行的最大值：

for e in ['x*2 ', 'x<<1'] * 3:
     print(e, max(repeat(e, 'x=5')))

输出：

x*2  0.054458492988487706
x<<1 0.02453691599657759
x*2  0.015550968993920833
x<<1 0.0246038619952742
x*2  0.015542584005743265
x<<1 0.024583352991612628

这里x*2首次执行耗时远高于移位，后续则和移位耗时相近。

原因解析 #

1. 小整数场景下的解释器优化差异

Python对**-5到256之间的小整数**有全局缓存池，避免重复创建对象。而乘法和移位的字节码实现逻辑存在差异：

• BINARY_MULTIPLY（乘法操作码）针对小整数有更直接的快速路径，计算结果直接命中缓存，几乎不需要额外操作；
• BINARY_LSHIFT（移位操作码）虽然结果相同，但执行时会额外做一些检查（比如移位位数的合法性、整数内部存储格式的适配），这些额外步骤在小数值场景下的开销占比更高，导致整体耗时增加。

另外，现代CPU的乘法指令本身已经非常高效，对于2的幂次乘法，CPU会自动优化为移位操作，但Python解释器的层面开销（操作码处理、对象检查等）掩盖了硬件层面的优势，小数值下解释器的逻辑差异成为性能主导因素。

当x增大到10亿这类超出小整数缓存池的数值时，乘法和移位都需要创建新的大整数对象，此时对象创建的开销占比更大，两者的操作逻辑差异被稀释，耗时差也就缩小了。

2. 首次执行的字节码编译开销

timeit.repeat执行表达式时，首次需要将字符串形式的代码编译为字节码（生成PyCodeObject），这个编译过程存在固定开销：

• x*2的表达式编译逻辑相对复杂，首次编译耗时更高；
• x*2后续执行时复用了已经编译好的字节码，耗时直接降到和移位相近的水平；
• 移位表达式的编译开销本身较小，所以首次和后续执行的耗时差异不明显。

验证：查看字节码 #

可以用dis模块对比两个表达式的字节码：

import dis
dis.dis("x*2")
dis.dis("x<<1")

输出：

# x*2的字节码
  1           0 LOAD_NAME                0 (x)
              2 LOAD_CONST               0 (2)
              4 BINARY_MULTIPLY
              6 RETURN_VALUE

# x<<1的字节码
  1           0 LOAD_NAME                0 (x)
              2 LOAD_CONST               0 (1)
              4 BINARY_LSHIFT
              6 RETURN_VALUE

字节码结构几乎一致，但底层C实现的逻辑差异才是性能差的核心。

内容的提问来源于stack exchange，提问作者Woody1193