列表、numpy、pandas Series字符串索引[0]与[0:1]性能差异疑问

这三类场景的性能差异是单值索引与切片的原生底层逻辑差异 + 不同数据结构对[]操作的自定义实现差异共同导致的，各场景的具体原因如下：

原生Python字符串列表场景 #

Python原生层面，x[0]和x[0:1]就是完全不同的两类操作，即便返回结果看起来一致：

• x[0]是单值索引：底层C实现仅需1次边界校验，直接按偏移量读取对应位置的字符，逻辑极简
• x[0:1]是切片操作：需要先创建切片对象、校验起止两个索引的合法性、处理负数索引、计算切片长度，最后才会读取对应区间内容，额外开销远高于单值索引
  因此原生场景下x[0]的性能优势非常明显，可达60%-90%。

Numpy字符串数组场景 #

Numpy的字符串数组采用定长存储（本次测试中的'ABC'对应dtype为<U3，固定占用3个Unicode字符的存储空间），无论单值索引还是切片操作，首先都需要将Numpy内部存储的定长字符串转换为Python原生字符串对象，这部分转换开销占总耗时的90%以上，直接稀释了单值索引本身的性能优势，最终两者性能差距被压缩到10%左右。

Pandas Series.str访问器场景 #

该场景的性能反转完全由Pandas的自定义实现逻辑导致，在测试使用的1.3.4版本中：

• series.str[n]单值索引的实现：逐元素检查字符串长度，若长度小于n则返回NaN，再提取对应位置字符，整个过程为逐元素Python级循环，未做定向的向量化优化，长序列下开销极高
• series.str[start:end]切片的实现：底层采用Cython做了向量化优化，批量处理所有元素的切片操作，越界场景直接返回空字符串，不需要额外的NaN判断开销，长序列下性能优势突出
  小数据量时，两者耗时主要由.str访问器的初始化开销决定，差异极小；数据量越大，切片的向量化优势越明显，因此会出现[0:1]比[0]快50%以上的情况。

内容的提问来源于stack exchange，提问作者Vinson Ciawandy