Si vous voulez rejoindre n
les meilleures performances semblent provenir de set().union(*list_of_sets)
qui renverra un nouvel ensemble.
Ainsi, l'usage pourrait être :
s1 = {1, 2, 3}
s2 = {2, 3, 4}
s3 = {4, 5, 6}
s1.union(s2, s3) # returns a new set
# Out: {1, 2, 3, 4, 5, 6}
s1.update(s2, s3) # updates inplace
Ajouter à Alexander Klimenko Après avoir pris connaissance de la réponse de l'auteur ci-dessus, j'ai effectué quelques tests simples, comme indiqué ci-dessous. Je crois que la principale conclusion est qu'il semble que l'option plus de hasard les ensembles sont, les plus grande est la différence sur les performances.
from random import randint
n = 100
generate_equal = lambda: set(range(10_000))
generate_random = lambda: {randint(0, 100_000) for _ in range(10_000)}
for l in [
[generate_equal() for _ in range(n)],
[generate_random() for _ in range(n)]
]:
%timeit set().union(*l)
%timeit reduce(or_, l)
Out:
# equal sets: 69.5 / 23.6 =~ 3
23.6 ms ± 658 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
69.5 ms ± 2.57 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
# random sets: 438 / 78.7 =~ 5.6
78.7 ms ± 1.48 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
438 ms ± 20.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
Par conséquent, si vous souhaitez effectuer une mise à jour sur place, les meilleures performances proviennent de set.update
la méthode, comme, la performance, s1.update(s2, s3) = set().union(s2, s3)
.