Python是一種腳本語言，相比C/C++這樣的編譯語言，在效率和性能方面存在一些不足。但是，有很多時候，Python的效率并沒有想象中的那么夸張。本文對一些Python代碼加速運行的技巧進行整理。
0.代碼優化原則
本文會介紹不少的Python代碼加速運行的技巧。在深入代碼優化細節之前，需要了解一些代碼優化基本原則。
第一個基本原則是不要過早優化。很多人一開始寫代碼就奔著性能優化的目標，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優化的前提是代碼能正常工作。過早地進行優化可能會忽視對總體性能指標的把握，在得到全局結果前不要主次顛倒。
第二個基本原則是權衡優化的代價。優化是有代價的，想解決所有性能的問題是幾乎不可能的。通常面臨的選擇是時間換空間或空間換時間。另外，開發代價也需要考慮。
第三個原則是不要優化那些無關緊要的部分。如果對代碼的每一部分都去優化，這些修改會使代碼難以閱讀和理解。如果你的代碼運行速度很慢，首先要找到代碼運行慢的位置，通常是內部循環，專注于運行慢的地方進行優化。在其他地方，一點時間上的損失沒有什么影響。
1.避免全局變量
#不推薦寫法。代碼耗時：26.8秒
importmath
size=10000
forxinrange(size):
foryinrange(size):
z=math.sqrt(x)+math.sqrt(y)
許多程序員剛開始會用Python語言寫一些簡單的腳本，當編寫腳本時，通常習慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實現方式不同，定義在全局范圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通常可帶來15%-30%的速度提升。
#推薦寫法。代碼耗時：20.6秒
importmath
defmain():#定義到函數中，以減少全部變量使用
size=10000
forxinrange(size):
foryinrange(size):
z=math.sqrt(x)+math.sqrt(y)
main()
2.避免.
2.1避免模塊和函數屬性訪問
#不推薦寫法。代碼耗時：14.5秒
importmath
defcomputeSqrt(size:int):
result=[]
foriinrange(size):
result.append(math.sqrt(i))
returnresult
defmain():
size=10000
for_inrange(size):
result=computeSqrt(size)
main()
每次使用.(屬性訪問操作符時)會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。通過fromimport語句，可以消除屬性訪問。
#第一次優化寫法。代碼耗時：10.9秒
frommathimportsqrt
defcomputeSqrt(size:int):
result=[]
foriinrange(size):
result.append(sqrt(i))#避免math.sqrt的使用
returnresult
defmain():
size=10000
for_inrange(size):
result=computeSqrt(size)
main()
在第1節中我們講到，局部變量的查找會比全局變量更快，因此對于頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運行。
#第二次優化寫法。代碼耗時：9.9秒
importmath
defcomputeSqrt(size:int):
result=[]
sqrt=math.sqrt#賦值給局部變量
foriinrange(size):
result.append(sqrt(i))#避免math.sqrt的使用
returnresult
defmain():
size=10000
for_inrange(size):
result=computeSqrt(size)
main()
除了math.sqrt外，computeSqrt函數中還有.的存在，那就是調用list的append方法。通過將該方法賦值給一個局部變量，可以徹底消除computeSqrt函數中for循環內部的.使用。
#推薦寫法。代碼耗時：7.9秒
importmath
defcomputeSqrt(size:int):
result=[]
append=result.append
sqrt=math.sqrt#賦值給局部變量
foriinrange(size):
append(sqrt(i))#避免result.append和math.sqrt的使用
returnresult
defmain():
size=10000
for_inrange(size):
result=computeSqrt(size)
main()
2.2避免類內屬性訪問
#不推薦寫法。代碼耗時：10.4秒
importmath
fromtypingimportList
classDemoClass:
def__init__(self,value:int):
self._value=value
defcomputeSqrt(self,size:int)->List[float]:
result=[]
append=result.append
sqrt=math.sqrt
for_inrange(size):
append(sqrt(self._value))
returnresult
defmain():
size=10000
for_inrange(size):
demo_instance=DemoClass(size)
result=demo_instance.computeSqrt(size)
main()
避免.的原則也適用于類內屬性，訪問self._value的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。
#推薦寫法。代碼耗時：8.0秒
importmath
fromtypingimportList
classDemoClass:
def__init__(self,value:int):
self._value=value
defcomputeSqrt(self,size:int)->List[float]:
result=[]
append=result.append
sqrt=math.sqrt
value=self._value
for_inrange(size):
append(sqrt(value))#避免self._value的使用
returnresult
defmain():
size=10000
for_inrange(size):
demo_instance=DemoClass(size)
demo_instance.computeSqrt(size)
main()
3.避免不必要的抽象
#不推薦寫法，代碼耗時：0.55秒
classDemoClass:
def__init__(self,value:int):
self.value=value
@property
defvalue(self)->int:
returnself._value
@value.setter
defvalue(self,x:int):
self._value=x
defmain():
size=1000000
foriinrange(size):
demo_instance=DemoClass(size)
value=demo_instance.value
demo_instance.value=i
main()
任何時候當你使用額外的處理層(比如裝飾器、屬性訪問、描述器)去包裝代碼時，都會讓代碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用getter/setter函數對屬性進行訪問通常是C/C++程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。
#推薦寫法，代碼耗時：0.33秒
classDemoClass:
def__init__(self,value:int):
self.value=value#避免不必要的屬性訪問器
defmain():
size=1000000
foriinrange(size):
demo_instance=DemoClass(size)
value=demo_instance.value
demo_instance.value=i
main()
4.避免數據復制
4.1避免無意義的數據復制
#不推薦寫法，代碼耗時：6.5秒
defmain():
size=10000
for_inrange(size):
value=range(size)
value_list=[xforxinvalue]
square_list=[x*xforxinvalue_list]
main()
上面的代碼中value_list完全沒有必要，這會創建不必要的數據結構或復制。
#推薦寫法，代碼耗時：4.8秒
defmain():
size=10000
for_inrange(size):
value=range(size)
square_list=[x*xforxinvalue]#避免無意義的復制
main()
另外一種情況是對Python的數據共享機制過于偏執，并沒有很好地理解或信任Python的內存模型，濫用copy.deepcopy()之類的函數。通常在這些代碼中是可以去掉復制操作的。
4.2交換值時不使用中間變量
#不推薦寫法，代碼耗時：0.07秒
defmain():
size=1000000
for_inrange(size):
a=3
b=5
temp=a
a=b
b=temp
main()
上面的代碼在交換值時創建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運行速度更快。
#推薦寫法，代碼耗時：0.06秒
defmain():
size=1000000
for_inrange(size):
a=3
b=5
a,bb=b,a#不借助中間變量
main()
4.3字符串拼接用join而不是+
#不推薦寫法，代碼耗時：2.6秒
importstring
fromtypingimportList
defconcatString(string_list:List[str])->str:
result=''
forstr_iinstring_list:
result+=str_i
returnresult
defmain():
string_list=list(string.ascii_letters*100)
for_inrange(10000):
result=concatString(string_list)
main()
當使用a+b拼接字符串時，由于Python中字符串是不可變對象，其會申請一塊內存空間，將a和b分別復制到該新申請的內存空間中。因此，如果要拼接n個字符串，會產生n-1個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。而使用join()拼接字符串時，會首先計算出需要申請的總的內存空間，然后一次性地申請所需內存，并將每個字符串元素復制到該內存中去。
#推薦寫法，代碼耗時：0.3秒
importstring
fromtypingimportList
defconcatString(string_list:List[str])->str:
return''.join(string_list)#使用join而不是+
defmain():
string_list=list(string.ascii_letters*100)
for_inrange(10000):
result=concatString(string_list)
main()
5.利用if條件的短路特性
#不推薦寫法，代碼耗時：0.05秒
fromtypingimportList
defconcatString(string_list:List[str])->str:
abbreviations={'cf.','e.g.','ex.','etc.','flg.','i.e.','Mr.','vs.'}
abbr_count=0
result=''
forstr_iinstring_list:
ifstr_iinabbreviations:
result+=str_i
returnresult
defmain():
for_inrange(10000):
string_list=['Mr.','Hat','is','Chasing','the','black','cat','.']
result=concatString(string_list)
main()
if條件的短路特性是指對ifaandb這樣的語句，當a為False時將直接返回，不再計算b;對于ifaorb這樣的語句，當a為True時將直接返回，不再計算b。因此，為了節約運行時間，對于or語句，應該將值為True可能性比較高的變量寫在or前，而and應該推后。
#推薦寫法，代碼耗時：0.03秒
fromtypingimportList
defconcatString(string_list:List[str])->str:
abbreviations={'cf.','e.g.','ex.','etc.','flg.','i.e.','Mr.','vs.'}
abbr_count=0
result=''
forstr_iinstring_list:
ifstr_i[-1]=='.'andstr_iinabbreviations:#利用if條件的短路特性
result+=str_i
returnresult
defmain():
for_inrange(10000):
string_list=['Mr.','Hat','is','Chasing','the','black','cat','.']
result=concatString(string_list)
main()
6.循環優化
6.1用for循環代替while循環
#不推薦寫法。代碼耗時：6.7秒
defcomputeSum(size:int)->int:
sum_=0
i=0
whilei sum_+=i i+=1 returnsum_ defmain(): size=10000 for_inrange(size): sum_=computeSum(size) main() Python的for循環比while循環快不少。 #推薦寫法。代碼耗時：4.3秒 defcomputeSum(size:int)->int: sum_=0 foriinrange(size):#for循環代替while循環 sum_+=i returnsum_ defmain(): size=10000 for_inrange(size): sum_=computeSum(size) main() 6.2使用隱式for循環代替顯式for循環 針對上面的例子，更進一步可以用隱式for循環來替代顯式for循環。 #推薦寫法。代碼耗時：1.7秒 defcomputeSum(size:int)->int: returnsum(range(size))#隱式for循環代替顯式for循環 defmain(): size=10000 for_inrange(size): sum=computeSum(size) main() 6.3減少內層for循環的計算 #不推薦寫法。代碼耗時：12.8秒 importmath defmain(): size=10000 sqrt=math.sqrt forxinrange(size): foryinrange(size): z=sqrt(x)+sqrt(y) main() 上面的代碼中sqrt(x)位于內側for循環，每次訓練過程中都會重新計算一次，增加了時間開銷。 #推薦寫法。代碼耗時：7.0秒 importmath defmain(): size=10000 sqrt=math.sqrt forxinrange(size): sqrtsqrt_x=sqrt(x)#減少內層for循環的計算 foryinrange(size): z=sqrt_x+sqrt(y) main() 7.使用numba.jit 我們沿用上面介紹過的例子，在此基礎上使用numba.jit。numba可以將Python函數JIT編譯為機器碼執行，大大提高代碼運行速度。關于numba的更多信息見下面的主頁：http://numba.pydata.org/numba.pydata.org #推薦寫法。代碼耗時：0.62秒 importnumba @numba.jit defcomputeSum(size:float)->int: sum=0 foriinrange(size): sum+=i returnsum defmain(): size=10000 for_inrange(size): sum=computeSum(size) main() 8.選擇合適的數據結構 Python內置的數據結構如str,tuple,list,set,dict底層都是C實現的，速度非常快，自己實現新的數據結構想在性能上達到內置的速度幾乎是不可能的。 list類似于C++中的std::vector，是一種動態數組。其會預分配一定內存空間，當預分配的內存空間用完，又繼續向其中添加元素時，會申請一塊更大的內存空間，然后將原有的所有元素都復制過去，之后銷毀之前的內存空間，再插入新元素。 刪除元素時操作類似，當已使用內存空間比預分配內存空間的一半還少時，會另外申請一塊小內存，做一次元素復制，之后銷毀原有大內存空間。 因此，如果有頻繁的新增、刪除操作，新增、刪除的元素數量又很多時，list的效率不高。此時，應該考慮使用collections.deque。collections.deque是雙端隊列，同時具備棧和隊列的特性，能夠在兩端進行O(1)復雜度的插入和刪除操作。 list的查找操作也非常耗時。當需要在list頻繁查找某些元素，或頻繁有序訪問這些元素時，可以使用bisect維護list對象有序并在其中進行二分查找，提升查找的效率。 另外一個常見需求是查找極小值或極大值，此時可以使用heapq模塊將list轉化為一個堆，使得獲取最小值的時間復雜度是O(1)。 以上內容為大家介紹了如何提速優化python代碼?，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注多測師。http://www.dietsnews.net/xwzx/
京公網安備 11010802030320號