Au cas où vous vous interrogez sur la performance des différentes approches, voici quelques horaires :
In [1]: words = [str(i) for i in range(10000)]
In [2]: %timeit replaced = [w.replace('1', '<1>') for w in words]
100 loops, best of 3: 2.98 ms per loop
In [3]: %timeit replaced = map(lambda x: str.replace(x, '1', '<1>'), words)
100 loops, best of 3: 5.09 ms per loop
In [4]: %timeit replaced = map(lambda x: x.replace('1', '<1>'), words)
100 loops, best of 3: 4.39 ms per loop
In [5]: import re
In [6]: r = re.compile('1')
In [7]: %timeit replaced = [r.sub('<1>', w) for w in words]
100 loops, best of 3: 6.15 ms per loop
Comme vous pouvez le voir pour des motifs aussi simples, la compréhension de la liste acceptée est la plus rapide, mais regardez ce qui suit :
In [8]: %timeit replaced = [w.replace('1', '<1>').replace('324', '<324>').replace('567', '<567>') for w in words]
100 loops, best of 3: 8.25 ms per loop
In [9]: r = re.compile('(1|324|567)')
In [10]: %timeit replaced = [r.sub('<\1>', w) for w in words]
100 loops, best of 3: 7.87 ms per loop
Cela montre que pour les substitutions plus compliquées, une reg-exp pré-compilée (comme en 9-10
) peut être (beaucoup) plus rapide. Cela dépend vraiment de votre problème et de la partie la plus courte de la reg-exp.