在实例化和检索元素时，元组和列表之间是否存在性能差异？
dis模块反汇编函数的字节代码，有助于查看元组和列表之间的区别。
在这种情况下，您可以看到访问元素会生成相同的代码，但分配元组比分配列表要快得多。
>>> def a():
... x=[1,2,3,4,5]
... y=x[2]
...
>>> def b():
... x=(1,2,3,4,5)
... y=x[2]
...
>>> import dis
>>> dis.dis(a)
2 0 LOAD_CONST 1 (1)
3 LOAD_CONST 2 (2)
6 LOAD_CONST 3 (3)
9 LOAD_CONST 4 (4)
12 LOAD_CONST 5 (5)
15 BUILD_LIST 5
18 STORE_FAST 0 (x)
3 21 LOAD_FAST 0 (x)
24 LOAD_CONST 2 (2)
27 BINARY_SUBSCR
28 STORE_FAST 1 (y)
31 LOAD_CONST 0 (None)
34 RETURN_VALUE
>>> dis.dis(b)
2 0 LOAD_CONST 6 ((1, 2, 3, 4, 5))
3 STORE_FAST 0 (x)
3 6 LOAD_FAST 0 (x)
9 LOAD_CONST 2 (2)
12 BINARY_SUBSCR
13 STORE_FAST 1 (y)
16 LOAD_CONST 0 (None)
19 RETURN_VALUE
通常，您可能希望元组稍快一些。但是你绝对应该测试你的特定情况（如果差异可能会影响你的程序的性能 - 记住“过早优化是所有邪恶的根源”）。
Python使这很容易：timeit是你的朋友。
$ python -m timeit "x=(1,2,3,4,5,6,7,8)"
10000000 loops, best of 3: 0.0388 usec per loop
$ python -m timeit "x=[1,2,3,4,5,6,7,8]"
1000000 loops, best of 3: 0.363 usec per loop
和...
$ python -m timeit -s "x=(1,2,3,4,5,6,7,8)" "y=x[3]"
10000000 loops, best of 3: 0.0938 usec per loop
$ python -m timeit -s "x=[1,2,3,4,5,6,7,8]" "y=x[3]"
10000000 loops, best of 3: 0.0649 usec per loop
所以在这种情况下，元组的实例化速度几乎要快一个数量级，但是对于列表，项目访问实际上要快一些！因此，如果您创建了几个元组并多次访问它们，那么使用列表实际上可能会更快。
当然，如果你想改变一个项目，那么列表肯定会更快，因为你需要创建一个全新的元组来改变它的一个项目（因为元组是不可变的）。
元组往往比几乎每个类别中的列表表现更好：
1）元组可以是constant folded。
2）可以重用元组而不是复制元组。
3）元组是紧凑的，不会过度分配。
4）元组直接引用它们的元素。
常量元组可以通过Python的窥孔优化器或AST优化器进行预先计算。另一方面，列表从头开始构建：
>>> from dis import dis
>>> dis(compile("(10, 'abc')", '', 'eval'))
1 0 LOAD_CONST 2 ((10, 'abc'))
3 RETURN_VALUE
>>> dis(compile("[10, 'abc']", '', 'eval'))
1 0 LOAD_CONST 0 (10)
3 LOAD_CONST 1 ('abc')
6 BUILD_LIST 2
9 RETURN_VALUE
运行tuple(some_tuple)立即返回。由于元组是不可变的，因此不必复制它们：
>>> a = (10, 20, 30)
>>> b = tuple(a)
>>> a is b
True
相反，list(some_list)要求将所有数据复制到新列表：
>>> a = [10, 20, 30]
>>> b = list(a)
>>> a is b
False
由于元组的大小是固定的，因此它可以比需要过度分配以使append（）操作有效的列表更紧凑地存储。
这为元组提供了一个很好的空间优势：
>>> import sys
>>> sys.getsizeof(tuple(iter(range(10))))
128
>>> sys.getsizeof(list(iter(range(10))))
200
以下是Objects / listobject.c中的注释，它解释了列表正在执行的操作：
/* This over-allocates proportional to the list size, making room
* for additional growth. The over-allocation is mild, but is
* enough to give linear-time amortized behavior over a long
* sequence of appends() in the presence of a poorly-performing
* system realloc().
* The growth pattern is: 0, 4, 8, 16, 25, 35, 46, 58, 72, 88, ...
* Note: new_allocated won't overflow because the largest possible value
* is PY_SSIZE_T_MAX * (9 / 8) + 6 which always fits in a size_t.
*/
对象的引用直接包含在元组对象中。相比之下，列表有一个额外的间接层指向外部指针数组。
这为元组提供了索引查找和解包的小速度优势：
$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'a[1]'
10000000 loops, best of 3: 0.0304 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'a[1]'
10000000 loops, best of 3: 0.0309 usec per loop
$ python3.6 -m timeit -s 'a = (10, 20, 30)' 'x, y, z = a'
10000000 loops, best of 3: 0.0249 usec per loop
$ python3.6 -m timeit -s 'a = [10, 20, 30]' 'x, y, z = a'
10000000 loops, best of 3: 0.0251 usec per loop
Here是如何存储元组(10, 20)：
typedef struct {
Py_ssize_t ob_refcnt;
struct _typeobject *ob_type;
Py_ssize_t ob_size;
PyObject *ob_item[2]; /* store a pointer to 10 and a pointer to 20 */
} PyTupleObject;
Here是如何存储[10, 20]的列表：
PyObject arr[2]; /* store a pointer to 10 and a pointer to 20 */
typedef struct {
Py_ssize_t ob_refcnt;
struct _typeobject *ob_type;
Py_ssize_t ob_size;
PyObject **ob_item = arr; /* store a pointer to the two-pointer array */
Py_ssize_t allocated;
} PyListObject;
请注意，元组对象直接包含两个数据指针，而列表对象有一个额外的间接层，用于保存两个数据指针的外部数组。
元组是不可变的，更有内存效率;列表，为了效率，分配内存，以允许附加没有恒定的reallocs。因此，如果您想在代码中迭代一系列常量值（例如for direction in 'up', 'right', 'down', 'left':），则首选元组，因为这些元组是在编译时预先计算的。
访问速度应该相同（它们都作为连续数组存储在内存中）。
但是，当你处理可变数据时，alist.append(item)比atuple+= (item,)更受欢迎。请记住，元组旨在被视为没有字段名称的记录。
如果列表或元组中的所有项目都是相同的C类型，您还应该考虑标准库中的array模块。它将占用更少的内存，并且可以更快。
元组应该稍微更高效，因此，比列表更快，因为它们是不可变的。
这是另一个小基准，只是为了它...
In [11]: %timeit list(range(100))
749 ns ± 2.41 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [12]: %timeit tuple(range(100))
781 ns ± 3.34 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [1]: %timeit list(range(1_000))
13.5 µs ± 466 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [2]: %timeit tuple(range(1_000))
12.4 µs ± 182 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [7]: %timeit list(range(10_000))
182 µs ± 810 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [8]: %timeit tuple(range(10_000))
188 µs ± 2.38 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [3]: %timeit list(range(1_00_000))
2.76 ms ± 30.5 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [4]: %timeit tuple(range(1_00_000))
2.74 ms ± 31.8 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [10]: %timeit list(range(10_00_000))
28.1 ms ± 266 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [9]: %timeit tuple(range(10_00_000))
28.5 ms ± 447 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
让我们平均一下：
In [3]: l = np.array([749 * 10 ** -9, 13.5 * 10 ** -6, 182 * 10 ** -6, 2.76 * 10 ** -3, 28.1 * 10 ** -3])
In [2]: t = np.array([781 * 10 ** -9, 12.4 * 10 ** -6, 188 * 10 ** -6, 2.74 * 10 ** -3, 28.5 * 10 ** -3])
In [11]: np.average(l)
Out[11]: 0.0062112498000000006
In [12]: np.average(t)
Out[12]: 0.0062882362
In [17]: np.average(t) / np.average(l) * 100
Out[17]: 101.23946713590554
你可以称之为几乎没有定论。
但可以肯定的是，元组在时间上占据了101.239%，或者1.239%与列表相比更多的时间来完成这项工作。
Tuple在阅读方面非常有效的主要原因是因为它是不可改变的。
原因是元组可以存储在内存缓存中，与列表不同。程序总是从列表内存位置读取，因为它是可变的（可以随时更改）。