概要
- Pythonで知っておくべき 基本的な性能指標 のまとめ
- 各種データ構造や操作の 速度・メモリコスト を比較
- Webフレームワークやシリアライズ のパフォーマンスも網羅
- ベンチマーク環境 の詳細も記載
- 実践的な選択基準 や最適化のヒントを提示
Pythonプログラマが知っておくべき数値一覧
- Pythonの各操作やデータ構造 のパフォーマンスを一覧化
- 速度・メモリ消費量 をカテゴリごとに整理
- ベンチマーク環境 ：CPython 3.14.2、Mac Mini M4 Pro（ARM、14コア、24GB RAM、macOS Tahoe）
- 相対比較 が重要：自分の環境との差よりも、どの操作が速い・遅いかを重視
- ベンチマークコード はGitHubで公開（python-numbers-everyone-should-know）
メモリ消費量
- 空のPythonプロセス ：15.73MB
- 文字列
- 空文字列：41バイト
- 100文字：141バイト
- 数値
- 小さなint（0〜256）：28バイト
- float：24バイト
- リスト・辞書・セット
- 空リスト：56バイト
- 1,000個のintリスト：35.2KB
- 空辞書：64バイト
- 1,000要素辞書：63.4KB
- 空セット：216バイト
- 1,000要素セット：59.6KB
- クラスインスタンス
- 通常クラス（5属性）：694バイト
- __slots__クラス（5属性）：212バイト
- namedtuple：228バイト
- dataclass：694バイト
基本操作の速度
- 整数の加算 ：19.0ns（1秒間に5,270万回）
- 浮動小数点加算 ：18.4ns
- 文字列連結（+） ：39.1ns
- f-string ：64.9ns
- .format() ：103ns
- リストappend ：28.7ns
- リスト内包表記（1,000件） ：9.45μs
- forループ（1,000件） ：11.9μs
コレクション操作
- 辞書キー参照 ：21.9ns
- セット会員判定 ：19.0ns
- リストインデックスアクセス ：17.6ns
- リストin判定（1,000件） ：3.85μs
- len() ：18.8ns（リスト1,000件）
- リスト走査（1,000件） ：7.87μs
- 辞書走査（1,000件） ：8.74μs
属性アクセス
- 通常クラス属性読み ：14.1ns
- __slots__クラス属性読み ：14.1ns
- @property読み ：19.0ns
- getattr() ：13.8ns
- hasattr() ：23.8ns
JSON・シリアライズ
- json.dumps()（単純） ：708ns
- json.loads()（単純） ：714ns
- orjson.dumps()（複雑） ：310ns
- ujson.dumps()（複雑） ：1.64μs
- msgspec encode（複雑） ：445ns
- Pydantic model_dump_json() ：1.54μs
Webフレームワーク
- Flask（JSON返却） ：16.5μs
- Django（JSON返却） ：18.1μs
- FastAPI（JSON返却） ：8.63μs
- Starlette（JSON返却） ：8.01μs
- Litestar（JSON返却） ：8.19μs
ファイルI/O
- ファイルオープン・クローズ ：9.05μs
- 1KBファイル読み ：10.0μs
- 1KBファイル書き ：35.1μs
- 1MBファイル書き ：207μs
- pickle.dumps() ：1.30μs
- pickle.loads() ：1.44μs
データベース操作
- SQLite insert（JSON blob） ：192μs
- SQLite select by PK ：3.57μs
- diskcache set ：23.9μs
- MongoDB insert_one ：119μs
- MongoDB find_one by _id ：121μs
関数呼び出し
- 空関数呼び出し ：22.4ns
- 引数5つの関数 ：24.0ns
- メソッド呼び出し ：23.3ns
- ラムダ呼び出し ：19.7ns
- try/except（例外なし） ：21.5ns
- try/except（例外あり） ：139ns
- isinstance()チェック ：18.3ns
非同期処理
- コルーチン生成 ：47.0ns
- run_until_complete(empty) ：27.6μs
- asyncio.sleep(0) ：39.4μs
- gather() 10コルーチン ：55.0μs
- create_task() + await ：52.8μs
- async with（コンテキストマネージャ） ：29.5μs
メモリコスト詳細
- 文字列
- 空文字列：41バイト
- 1文字追加ごとに+1バイト
- 100文字：141バイト
- 数値
- intは28バイト（小・大問わず）
- 非常に大きなint（10100）：72バイト
- float：24バイト
- コレクション
- リスト、辞書、セットは空でも数十〜数百バイト
- 1,000要素で数十KBに増加
- クラスインスタンス
- __slots__を使うと、通常クラスの約1/3のメモリ消費
- 大量のインスタンスを扱う場合は__slots__推奨
基本操作・コレクション操作の比較
- Pythonの演算はC/C++より遅いが、十分高速
- f-stringが最速の文字列フォーマット
- リスト内包表記はforループ+appendより26%高速
- 辞書・セットの検索はリストの200倍高速（1,000件時）
- len()は最適化不要なレベルの高速
属性アクセス・クラス設計
- __slots__導入でメモリ大幅削減
- 属性アクセス速度は通常クラスとほぼ同等
- namedtupleやdataclassは柔軟性とメモリ効率のバランスが良い
JSON・シリアライズ・Webフレームワーク
- orjsonやmsgspecは標準jsonより8倍以上高速
- FastAPIやStarletteはDjango/Flaskより2倍近く高速
- Webフレームワーク間の違いは、単純なJSON返却のみで測定
ファイルI/O・データベース
- ファイルI/Oはμsオーダー、1MB書き込みでも0.2ms程度
- SQLiteやMongoDBの基本操作もμs〜msで完了
まとめ・最適化のヒント
- パフォーマンスクリティカルな場面では、適切なデータ構造選択が重要
- 大量のインスタンスを扱う場合、__slots__やnamedtupleの活用が有効
- Web APIではFastAPIやStarletteのような軽量フレームワークが高効率
- シリアライズにはorjsonやmsgspecなどの高速ライブラリを検討
- ベンチマークの数値は絶対値より相対的な差に注目
参考文献・リンク
- 元記事・ベンチマークコード ：python-numbers-everyone-should-know (GitHub)
- インスピレーション元 ：“Latency Numbers Every Programmer Should Know”