为何Python列表推导比预初始化大小的列表更快？

先看三个测试用的Python函数：

def without_initialising_size():
    x = []
    for i in range(100_000):
        x.append(i)
    return x

def with_initialise_size():
    x = [None] * 100_000
    for i in range(100_000):
        x[i] = i
    return x

def list_comprehension():
    return [i for i in range(100_000)]

已知with_initialise_size比without_initialising_size更快，原因是预先确定列表大小后，Python无需在列表增长时反复寻找更大的内存块。但为什么list_comprehension比with_initialise_size快得多？

以下是使用timeit.timeit（number=1000）的基准测试结果：

• without_initialising_size：3.85671530000036
• with_initialise_size：3.0115716999971482
• list_comprehension：2.278098400001909

是不是因为with_initialise_size多了为每个列表元素加载None的步骤，还是有其他被忽略的因素？

核心原因解析 #

主要有两个关键因素导致列表推导式更快：

1. 避免预填充None的双重赋值开销
   [None] * 100_000会先创建一个所有元素都是None的列表，这一步需要遍历整个内存块写入None的引用。之后的for循环还要把每个位置的None替换成i，等于对每个列表位置执行了两次赋值操作——先写None，再写目标值。而列表推导式是直接将i一次性写入对应位置，完全没有这层额外的预填充步骤。

2. 列表推导式的底层优化更彻底
   列表推导式是Python专门优化的语法，它的执行逻辑在解释器底层直接完成，规避了普通for循环的不少额外开销：

   • 不需要在每次循环中查找调用append方法，或者执行列表下标赋值的字节码操作；
   • 推导式的变量查找、循环迭代逻辑都做了内联优化，减少了Python解释器在字节码层面的调度成本；
   • 推导式可以直接获取range的长度，预先分配刚好足够的内存，既不需要像append那样预留额外空间，也不需要预填充None。

简单来说，列表推导式把循环和列表构建的逻辑合并成了更紧凑、更贴近底层的操作，而预分配列表的方式还多了一层预填充和二次赋值的成本，自然速度会落后。

内容的提问来源于stack exchange，提问作者Salaah Amin