小小张说故事

摘要： 教科书上说 list.append() 是均摊 O(1)。 但直觉上这很反常：list 底层是一块连续内存，加一个元素就得重新分配一块更大的、把旧的拷过去。拷一次是 O(n)，拷 n 次不就是 O(n²)？ 教科书没错，直觉也没完全错——关键是它不是每次都拷。 先看真实的扩容行为 用 sys.get 阅读全文

摘要： 我之前写性能敏感的循环，习惯把函数调用尽量提出去、能内联就内联。但一直说不清「一次 Python 函数调用到底花在哪」。今天用 CPython 3.13.14 的 timeit 把一次空函数调用拆到纳秒级，结论和我直觉差得挺远。 本机：CPython 3.13.14 (64-bit)，所有数字来自 阅读全文

摘要： 很多人学 Python 多线程时都被泼过冷水："Python 的多线程是假的，因为有 GIL。"这句话流传很广，但真正被锁住的到底是什么，多数人讲不清。今天我把它拆开，再用一段实测告诉你：什么时候 GIL 在拖后腿，什么时候它其实无所谓。 一、GIL 不是 Python 语言的锁，是 CPython 阅读全文

摘要： 很多人用 with open() 用得很顺，但被问到"它到底比 try/finally 强在哪"就卡壳。其实 with 不是语法糖那么简单——它是 Python 用"协议"而非"约定"把资源管理焊死在语言层。今天拆开看 CPython 3.13 里 with 到底走了哪几步，以及它比手写 try/f 阅读全文

摘要： 结论先行：同一个模块，首次 import 花 2048 微秒，第二次只要 1.1 微秒——差了约 1800 倍。中间隔着的不是魔法，是 sys.modules 这个全局缓存。所以"函数里写 import 会不会很慢"这类担心基本是多余的：实测函数内重复 import 10 万次，每次只要 193 纳 阅读全文

摘要： 「写列表别用 for+append，用列表推导更快」——这话对一半。我在 CPython 3.13.14 上跑了一组实测，结论有点反常识。 实测：三种写法同台比 对比三种：列表推导 [i*2 for i in range(n)]、预分配后索引赋值、裸 append 循环。单位微秒，取每组最快一轮： 阅读全文

摘要： Python 3.11 有个少有人讲清的变化：try 块在正常路径上不再收门票了。实测（CPython 3.13.14）带 try 的函数 147.8 ns/次，不带 try 的 151.7 ns/次——差额 -3.9 ns，落在噪声里。与此同时，真正抛出一次异常要 562 ns，是正常路径的 3. 阅读全文

摘要： 几乎每个 Python 教程都会告诉你：「is 比较身份，别用它比较数字，因为只有 -5 到 256 的小整数被驻留」。可如果你真在机器上敲一遍，会看到一个让教程作者尴尬的结果：257 is 257 返回 True。 而 int('257') is int('257') 返回 False。 同一个 阅读全文

摘要： 结论先行：GIL 不是「Python 慢」的病因，而是「同一进程里多个线程不能同时跑字节码」的一把大锁——CPU 密集型任务上，2 个线程跑 2 份活的实测加速比是 1.00x（156ms 的活，单线程 156ms，双线程 312ms，一点没省）；但 I/O 密集型任务上 4 个线程能拿到 1.6x 阅读全文

摘要： 结论先行：with 不是语法糖版的 try/finally——它把「资源生命周期」拆成了两次函数调用：enter 拿资源、exit 还资源，而 exit 的返回值就是异常的生杀大权：返回 True，异常被当场吞掉；返回 False 或 None，异常原样穿透。更反直觉的是 @contextmanag 阅读全文