很可能是math.sqrt(x)，因为它针对平方根进行了优化。

基准测试将为您提供您正在寻找的答案。

你到底做了多少次平方根?你正在尝试用Python编写一些3D图形引擎吗?如果不是，那么为什么要使用晦涩的代码而不是易于阅读的代码呢?在我能预见的任何应用中，时间差都比任何人能注意到的要小。我真的不想放下你的问题，但看起来你在不成熟的优化上走得有点太远了。

Math.sqrt (x)比x**0.5快得多。

import math
N = 1000000

%%timeit
for i in range(N):
    z=i**.5

10个循环，最好的3:156毫秒每循环

%%timeit
for i in range(N):
    z=math.sqrt(i)

10个循环，最好的3:91.1毫秒每循环

使用Python 3.6.9(笔记本)。

在这些微观基准测试中，数学。SQRT会慢一些，因为在数学名称空间中查找SQRT所花费的时间很少。你可以用

 from math import sqrt

即使这样，在timeit中运行一些变化，显示x**的轻微(4-5%)性能优势。5

有趣的是,做

 import math
 sqrt = math.sqrt

进一步加速，速度差异在1%以内，几乎没有统计学意义。

我将重复Kibbee，并说这可能是一个不成熟的优化。

优化的第一条规则:不要这么做 第二条规则:先别这么做

以下是一些计时(Python 2.5.2, Windows):

$ python -mtimeit -s"from math import sqrt; x = 123" "x**.5"
1000000 loops, best of 3: 0.445 usec per loop

$ python -mtimeit -s"from math import sqrt; x = 123" "sqrt(x)"
1000000 loops, best of 3: 0.574 usec per loop

$ python -mtimeit -s"import math; x = 123" "math.sqrt(x)"
1000000 loops, best of 3: 0.727 usec per loop

这个测试表明x**。5比√(x)略快。

对于Python 3.0，结果正好相反:

$ \Python30\python -mtimeit -s"from math import sqrt; x = 123" "x**.5"
1000000 loops, best of 3: 0.803 usec per loop

$ \Python30\python -mtimeit -s"from math import sqrt; x = 123" "sqrt(x)"
1000000 loops, best of 3: 0.695 usec per loop

$ \Python30\python -mtimeit -s"import math; x = 123" "math.sqrt(x)"
1000000 loops, best of 3: 0.761 usec per loop

Math.sqrt (x)总是比x**快。5在另一台机器上(Ubuntu, Python 2.6和3.1):

$ python -mtimeit -s"from math import sqrt; x = 123" "x**.5"
10000000 loops, best of 3: 0.173 usec per loop
$ python -mtimeit -s"from math import sqrt; x = 123" "sqrt(x)"
10000000 loops, best of 3: 0.115 usec per loop
$ python -mtimeit -s"import math; x = 123" "math.sqrt(x)"
10000000 loops, best of 3: 0.158 usec per loop
$ python3.1 -mtimeit -s"from math import sqrt; x = 123" "x**.5"
10000000 loops, best of 3: 0.194 usec per loop
$ python3.1 -mtimeit -s"from math import sqrt; x = 123" "sqrt(x)"
10000000 loops, best of 3: 0.123 usec per loop
$ python3.1 -mtimeit -s"import math; x = 123" "math.sqrt(x)"
10000000 loops, best of 3: 0.157 usec per loop

不管怎样(见吉姆的回答)。在我的机器上，运行python 2.5:

PS C:\> python -m timeit -n 100000 10000**.5
100000 loops, best of 3: 0.0543 usec per loop
PS C:\> python -m timeit -n 100000 -s "import math" math.sqrt(10000)
100000 loops, best of 3: 0.162 usec per loop
PS C:\> python -m timeit -n 100000 -s "from math import sqrt" sqrt(10000)
100000 loops, best of 3: 0.0541 usec per loop

使用Claudiu的代码，在我的机器上甚至有“from math import√”x**。5更快，但使用psyco.full() sqrt(x)要快得多，至少快200%

克劳狄的结果和我的不一样。我在一台旧的P4 2.4Ghz机器上使用Ubuntu上的Python 2.6…以下是我的结果:

>>> timeit1()
Took 0.564911 seconds
>>> timeit2()
Took 0.403087 seconds
>>> timeit1()
Took 0.604713 seconds
>>> timeit2()
Took 0.387749 seconds
>>> timeit1()
Took 0.587829 seconds
>>> timeit2()
Took 0.379381 seconds

对我来说，SQRT一直都更快……甚至Codepad.org现在似乎也同意，在本地环境下，根号rt更快(http://codepad.org/6trzcM3j)。Codepad目前运行的是Python 2.5。也许克劳狄第一次回答的时候，他们使用的是2.4或更老的版本?

事实上，即使使用math.sqrt(i)来代替arg(i)，我仍然可以得到更好的sqrt。在本例中，timeit2()在我的机器上花费了0.53到0.55秒，这仍然比timeit1的0.56-0.60秒要好。

我会说，在现代Python中，使用数学。一定要把它带入本地环境，或者用somevar=math。或者从数学导入根号。

在python 2.6中，(float).__pow__()函数使用C pow()函数，math.sqrt()函数使用C sqrt()函数。

在glibc编译器中，pow(x,y)的实现相当复杂，并且针对各种例外情况进行了很好的优化。例如，调用C pow(x,0.5)只调用sqrt()函数。

**或数学使用速度的差异。sqrt是由围绕C函数的包装器引起的，速度很大程度上取决于系统上使用的优化标志/C编译器。

编辑:

这是克劳狄算法在我机器上的结果。我得到了不同的结果:

zoltan@host:~$ python2.4 p.py 
Took 0.173994 seconds
Took 0.158991 seconds
zoltan@host:~$ python2.5 p.py 
Took 0.182321 seconds
Took 0.155394 seconds
zoltan@host:~$ python2.6 p.py 
Took 0.166766 seconds
Took 0.097018 seconds

有人评论《雷神之锤3》中的“快速牛顿-拉弗森平方根”……我用ctypes实现了它，但与本机版本相比，它非常慢。我将尝试一些优化和替代实现。

from ctypes import c_float, c_long, byref, POINTER, cast

def sqrt(num):
 xhalf = 0.5*num
 x = c_float(num)
 i = cast(byref(x), POINTER(c_long)).contents.value
 i = c_long(0x5f375a86 - (i>>1))
 x = cast(byref(i), POINTER(c_float)).contents.value

 x = x*(1.5-xhalf*x*x)
 x = x*(1.5-xhalf*x*x)
 return x * num

这是另一个使用struct的方法，比ctypes版本快3.6倍，但仍然是C的1/10。

from struct import pack, unpack

def sqrt_struct(num):
 xhalf = 0.5*num
 i = unpack('L', pack('f', 28.0))[0]
 i = 0x5f375a86 - (i>>1)
 x = unpack('f', pack('L', i))[0]

 x = x*(1.5-xhalf*x*x)
 x = x*(1.5-xhalf*x*x)
 return x * num

如果您进入math.py并将函数“sqrt”复制到您的程序中，则会更快。程序找到math.py，然后打开它，找到要找的函数，然后将其带回程序，这需要时间。如果该函数即使使用“查找”步骤也更快，那么函数本身必须非常快。可能会让你的时间缩短一半。总而言之:

转到math.py 找到函数“√” 复制它 将函数粘贴到程序中作为根号查找器。 它的时间。

我最近解决的SQRMINSUM问题需要在一个大型数据集上重复计算平方根。在我做其他优化之前，我历史上最老的2个提交，唯一的区别是用sqrt()替换**0.5，从而将PyPy中的运行时从3.74秒减少到0.51秒。这几乎是克劳狄测量的400%的巨大改进的两倍。

python要优化的是可读性。为此，我认为显式地使用平方根函数是最好的。话虽如此，我们还是来研究一下性能。

我为Python 3更新了Claudiu的代码，并使其不可能优化计算(未来一个优秀的Python编译器可能会做的事情):

from sys import version
from time import time
from math import sqrt, pi, e

print(version)

N = 1_000_000

def timeit1():
  z = N * e
  s = time()
  for n in range(N):
    z += (n * pi) ** .5 - z ** .5
  print (f"Took {(time() - s):.4f} seconds to calculate {z}")

def timeit2():
  z = N * e
  s = time()
  for n in range(N):
    z += sqrt(n * pi) - sqrt(z)
  print (f"Took {(time() - s):.4f} seconds to calculate {z}")

def timeit3(arg=sqrt):
  z = N * e
  s = time()
  for n in range(N):
    z += arg(n * pi) - arg(z)
  print (f"Took {(time() - s):.4f} seconds to calculate {z}")

timeit1()
timeit2()
timeit3()

结果不同，但一个示例输出是:

3.6.6 (default, Jul 19 2018, 14:25:17) 
[GCC 8.1.1 20180712 (Red Hat 8.1.1-5)]
Took 0.3747 seconds to calculate 3130485.5713865166
Took 0.2899 seconds to calculate 3130485.5713865166
Took 0.2635 seconds to calculate 3130485.5713865166

还有一个最近的输出:

3.7.4 (default, Jul  9 2019, 16:48:28) 
[GCC 8.3.1 20190223 (Red Hat 8.3.1-2)]
Took 0.2583 seconds to calculate 3130485.5713865166
Took 0.1612 seconds to calculate 3130485.5713865166
Took 0.1563 seconds to calculate 3130485.5713865166

你自己试试。

当然，如果要处理字面量并且需要一个常量值，Python运行时可以在编译时预先计算该值，如果它是用操作符编写的——在这种情况下不需要分析每个版本:

In [77]: dis.dis(a)                                                                                                                       
  2           0 LOAD_CONST               1 (1.4142135623730951)
              2 RETURN_VALUE

In [78]: def a(): 
    ...:     return 2 ** 0.5 
    ...:                                                                                                                                  

In [79]: import dis                                                                                                                       

In [80]: dis.dis(a)                                                                                                                       
  2           0 LOAD_CONST               1 (1.4142135623730951)
              2 RETURN_VALUE

你好!我刚刚创建了一个堆栈交换配置文件来参与这次对话! 我所做的事情可能看起来微不足道，但在评判之前请先听我说完:

实验条件:

离线(没有internet编译器问题) 保持系统状态尽可能稳定 在一次尝试中测试所有3个功能

对于原问题中陈述的每个函数，我运行了3个循环，每个循环5个迭代。我在每个循环中计算了从0到10^8的整数的平方根。

以下是调查结果: 时间: √(x) < x**0.5 < pow(x, 0.5)

注:以两位数的秒差，超过10^8的非负 整数。

输出截图: 输出

我的结论是:

我觉得Guido的邮件很好地证明了这些时间。 考虑以下语句:

"math.sqrt()链接到C并且不接受复数" **和pow()是等价的

因此，我们可以暗示**和pow()都有一定的开销成本，因为它们都必须检查传递的输入是否为复数，即使我们传递的是整数。此外，复数是Python内置的，使用Python编写Python代码是计算机上的任务。

值得注意的是，math.sqrt()的工作速度相对较快，因为它既不需要检查复数参数的麻烦，也因为它直接与C语言函数连接，C语言函数被证明比一般的Python快一点。

如果你对这个结论的看法与我不同，请告诉我!

代码:

import time
import math
print("x**0.5 : ")
for _ in range(5):
    start = time.time()
    for i in range(int(1e8)):
        i**0.5
    end = time.time()
    print(end-start)
print("math.sqrt(x) : ")
for _ in range(5):
    start = time.time()
    for i in range(int(1e8)):
        math.sqrt(i)
    end = time.time()
    print(end-start)
print("pow(x,0.5) : ")
for _ in range(5):
    start = time.time()
    for i in range(int(1e8)):
        pow(i,0.5)
    end = time.time()
    print(end-start)