如有疑问，请测试！使用jmh，我在100k元素的列表上得到以下结果（以微秒为单位，更好）：
Benchmark Mode Samples Score Error Unitsc.a.p.SO32462798.for_loop avgt 10 119.110 0.921 us/opc.a.p.SO32462798.mapToInt avgt 10 129.702 1.040 us/opc.a.p.SO32462798.mapToInt_map avgt 10 129.753 1.516 us/opc.a.p.SO32462798.map_reduce avgt 10 1262.802 12.197 us/opc.a.p.SO32462798.summingInt avgt 10 134.821 1.203 us/op
因此，从快到慢，您已经拥有：
for(int i : list) sum += i*i;
mapToInt(x -> x * x).sum()
和mapToInt(x -> x).map(x -> x * x).sum()
collect(Collectors.summingInt(x -> x * x))
map(x -> x * x).reduce((x, y) -> x + y).get()
请注意，结果在很大程度上取决于JIT优化。如果映射中的逻辑更加复杂，则某些优化可能不可用（较长的代码=较少的内联），在这种情况下，流版本可能比for循环花费4-5倍的时间-
但是，如果该逻辑占用大量CPU资源，差异将再次减小。对您的实际应用程序进行性能分析将为您提供更多信息。
基准代码供参考：
@State(Scope.Benchmark)@BenchmarkMode(Mode.AverageTime)public class SO32462798 { List<Integer> list; @Setup public void setup() { list = new Random().ints(100_000).boxed().collect(toList()); } @Benchmark public int for_loop() { int sum = 0; for (int i : list) sum += i * i; return sum; } @Benchmark public int summingInt() { return list.stream().collect(Collectors.summingInt(x -> x * x)); } @Benchmark public int mapToInt() { return list.stream().mapToInt(x -> x * x).sum(); } @Benchmark public int mapToInt_map() { return list.stream().mapToInt(x -> x).map(x -> x * x).sum(); } @Benchmark public int map_reduce() { return list.stream().map(x -> x * x).reduce((x, y) -> x + y).get(); }}
