我试图将我的解决方案提交给 leetcode 问题，其中 x 和 y 是列表并使用
x = x + y
给了我一个超过时间限制 然而 使用
x += y
通过了测试用例并给了我AC。
两者的执行时间差是多少，两者的执行方式有什么不同？
【问题讨论】：
+= 有一个魔术命名的快捷功能，可以就地追加。您的第一个选项必须创建一个全新的列表并替换第一个列表。
+= 调用 __iadd__（如果已定义），然后回退到 __add__。 a+b 致电 __add__。在某些情况下，它是相同的。在列表的情况下，__iadd__ 大概调用了extend，因此避免将temp 复制到新列表
标签： python python-3.x list
对于列表对象，
temp = temp + []
创建一个新列表，并在结果列表的大小上花费线性时间（它线性地缩放）。重要的是，它重新创建了整个新列表。如果在循环中完成，例如
x = []
for i in range(N):
x = x + [i]
整个算法是二次时间，O(N^2)
另一方面，temp += [] 在原地工作。它不会创建新列表。它是 O(K)，其中 K 是右侧列表的大小，即添加的元素数。这是因为 python 列表对象被实现为数组列表，overallocate 所以你不必在每次列表大小增加时重新分配。简单地说，这意味着将一个项目附加到列表的末尾是摊销常数时间。重要的是，这使得：
x = []
for i in range(N):
x += [i]
线性时间，即 O(N)。
要凭经验查看此行为，您可以使用以下脚本：
import pandas as pd
import matplotlib.pyplot as plt
import time
def concatenate(N):
result = []
for i in range(N):
result = result + [i]
def inplace(N):
result = []
for i in range(N):
result += [i]
def time_func(N, f):
start = time.perf_counter()
f(N)
stop = time.perf_counter()
return stop - start
NS = range(0, 100_001, 10_000)
inplc = [time_func(n, inplace) for n in NS]
concat = [time_func(n, concatenate) for n in NS]
df = pd.DataFrame({"in-place":inplc, "concat": concat}, index=NS)
df.plot()
plt.savefig('in-place-vs-new-list-loop.png')
注意，在N == 100_000，串联版本需要 10 多秒，而就地扩展版本需要 0.01 秒......所以它慢了几个数量级，并且差异将继续显着增长（即二次方）随着 N 的增加而增加。
为了理解这种行为，这里是时间复杂度的非正式处理：
对于 concat，在每次迭代中，x = x + [i] 需要 i 的工作量，其中 i 是 结果数组的长度。所以整个循环将是0 + 1 + 2 + 3 + ... + N。现在，使用 handy formula for the Nth partial sum of this well-known series 循环将需要 N*(N+1)/2 总工作。
N*(N + 1) / 2 == N^2/2 + N/2 这就是 O(N^2)
另一方面，就地扩展版本，在每次迭代中，
temp += [i]
只需要 1 (恒定) 的工作量。所以对于整个循环，它只是
1 + 1 + ... + 1（N次）
所以N总工作量，所以是O(N)
【讨论】：
表达式a = a + b 执行以下操作：
a 和b 的新列表。a 复制到新缓冲区。b 复制到新缓冲区。a 绑定到新缓冲区（这是 list.__add__ 返回的内容）。在这种情况下分配和复制是不可避免的，不管b是空的。
表达式a += b 大致等价于list.extend，末尾有一个赋值：
a 的缓冲区扩展足够的元素以容纳b。这并不总是涉及重新分配，因为从长远来看，列表增长将花费O(n) 时间。b复制到a的末尾。a 重新绑定到同一个对象（这是 list.__iadd__ 返回的内容）。请注意，在这种情况下，step is 是一个重新分配，因此a 的元素仅在内存移动时才被复制。由于在您的情况下b 为空，因此根本不会重新分配或复制任何内容。
【讨论】：