[[312899]]

大數據文摘出品

來源：Medium

編譯：王轉轉

Python已經得到了全球程序員的喜愛，但是還是遭到一些人的詬病，原因之一就是認為它運行緩慢。

其實某個特定程序(無論使用何種編程語言)的運行速度是快還是慢，在很大程度上取決于編寫該程序的開發人員自身素質，以及他們編寫優化而高效代碼的能力。

Medium上一位小哥就詳細講了講如何讓python提速30%，以此證明代碼跑得慢不是python的問題，而是代碼本身的問題。

時序分析

在開始進行任何優化之前，我們首先需要找出代碼的哪些部分使整個程序變慢。有時程序的問題很明顯，但是如果你一時不知道問題出在哪里，那么這里有一些可能的選項：

注意：這是我將用于演示的程序，它將進行指數計算(取自Python文檔)：

# slow_program.py 
 
from decimal import * 
 
def exp(x): 
    getcontext().prec += 2 
    i, lasts, s, fact, num = 0, 0, 1, 1, 1 
    while s != lasts: 
        lasts = s 
        i += 1 
        fact *= i 
        num *= x 
        s += num / fact 
    getcontext().prec -= 2 
    return +s 
 
exp(Decimal(150)) 
exp(Decimal(400)) 
exp(Decimal(3000)) 

最簡約的“配置文件”

首先，最簡單最偷懶的方法——Unix時間命令。

~ $ time python3.8 slow_program.py 
 
real  0m11,058s 
user 0m11,050s 
sys 0m0,008s 

如果你只能直到整個程序的運行時間，這樣就夠了，但通常這還遠遠不夠。

最詳細的分析

另外一個指令是cProfile，但是它提供的信息過于詳細了。

~ $ python3.8 -m cProfile -s time slow_program.py 
 
         1297 function calls (1272 primitive calls) in 11.081 seconds 
 
   Ordered by: internal time 
 
   ncalls tottime percall cumtime percall filename:lineno(function) 
        3   11.079    3.693   11.079    3.693 slow_program.py:4(exp) 
        1    0.000    0.000    0.002    0.002 {built-in method _imp.create_dynamic} 
      4/1    0.000    0.000   11.081   11.081 {built-in method builtins.exec} 
        6    0.000    0.000    0.000    0.000 {built-in method __new__ of type object at 0x9d12c0} 
        6    0.000    0.000    0.000    0.000 abc.py:132(__new__) 
       23    0.000    0.000    0.000    0.000 _weakrefset.py:36(__init__) 
      245    0.000    0.000    0.000    0.000 {built-in method builtins.getattr} 
        2    0.000    0.000    0.000    0.000 {built-in method marshal.loads} 
       10    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:1233(find_spec) 
      8/4    0.000    0.000    0.000    0.000 abc.py:196(__subclasscheck__) 
       15    0.000    0.000    0.000    0.000 {built-in method posix.stat} 
        6    0.000    0.000    0.000    0.000 {built-in method builtins.__build_class__} 
        1    0.000    0.000    0.000    0.000 __init__.py:357(namedtuple) 
       48    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:57(_path_join) 
       48    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:59(<listcomp>) 
        1    0.000    0.000   11.081   11.081 slow_program.py:1(<module>) 

在這里，我們使用cProfile模塊和time參數運行測試腳本，以便按內部時間(cumtime)對行進行排序。這給了我們很多信息，你在上面看到的行大約是實際輸出的10%。由此可見，exp函數是罪魁禍首，現在我們可以更詳細地了解時序和性能分析。

時序特定功能

現在我們知道了應當主要關注哪里，我們可能想對運行速度緩慢的函數計時，而不用測量其余的代碼。為此，我們可以使用一個簡單的裝飾器：

def timeit_wrapper(func): 
    @wraps(func) 
    def wrapper(*args, **kwargs): 
        start = time.perf_counter() # Alternatively, you can use time.process_time() 
        funcfunc_return_val = func(*args, **kwargs) 
        end = time.perf_counter() 
        print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start)) 
        return func_return_val 
    return wrapper 

然后可以將此裝飾器應用于待測功能，如下所示：

@timeit_wrapper 
 
def exp(x): 
    ... 
 
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time')) 
exp(Decimal(150)) 
exp(Decimal(400)) 
exp(Decimal(3000)) 

這給出我們如下輸出：

~ $ python3.8 slow_program.py 
module function   time   
__main__ .exp      : 0.003267502994276583 
__main__ .exp      : 0.038535295985639095 
__main__ .exp      : 11.728486061969306 

需要考慮的一件事是我們實際想要測量的時間。時間包提供time.perf_counter和time.process_time兩個函數。他們的區別在于perf_counter返回的絕對值，包括你的Python程序進程未運行時的時間，因此它可能會受到計算機負載的影響。另一方面，process_time僅返回用戶時間(不包括系統時間)，這僅是你的過程時間。

加速吧!

讓Python程序運行得更快，這部分會很有趣!我不會展示可以解決你的性能問題的技巧和代碼，更多地是關于構想和策略的，這些構想和策略在使用時可能會對性能產生巨大影響，在某些情況下，可以將速度提高30%。

使用內置數據類型

這一點很明顯。內置數據類型非常快，尤其是與我們的自定義類型(例如樹或鏈接列表)相比。這主要是因為內置程序是用C實現的，因此在使用Python進行編碼時我們的速度實在無法與之匹敵。

使用lru_cache緩存/記憶

我已經在上一篇博客中展示了此內容，但我認為值得用簡單的示例來重復它：

import functools 
import time 
# caching up to 12 different results 
@functools.lru_cache(maxsize=12) 
def slow_func(x): 
    time.sleep(2) # Simulate long computation 
    return x 
 
slow_func(1) # ... waiting for 2 sec before getting result 
slow_func(1) # already cached - result returned instantaneously! 
slow_func(3) # ... waiting for 2 sec before getting result 

上面的函數使用time.sleep模擬大量計算。第一次使用參數1調用時，它將等待2秒鐘，然后才返回結果。再次調用時，結果已經被緩存，因此它將跳過函數的主體并立即返回結果。有關更多實際示例，請參見以前的博客文章。

使用局部變量

這與在每個作用域中查找變量的速度有關，因為它不只是使用局部變量還是全局變量。實際上，即使在函數的局部變量(最快)，類級屬性(例如self.name——較慢)和全局(例如，導入的函數)如time.time(最慢)之間，查找速度實際上也有所不同。

你可以通過使用看似不必要的分配來提高性能，如下所示：

# Example #1 
class FastClass: 
    def do_stuff(self): 
        temp = self.value # this speeds up lookup in loop 
        for i in range(10000): 
            ... # Do something with `temp` here 
 
# Example #2 
import random 
def fast_function(): 
    r = random.random 
    for i in range(10000): 
        print(r()) # calling `r()` here, is faster than global random.random() 

使用函數

這似乎違反直覺，因為調用函數會將更多的東西放到堆棧上，并從函數返回中產生開銷，但這與上一點有關。如果僅將整個代碼放在一個文件中而不將其放入函數中，則由于全局變量，它的運行速度會慢得多。因此，你可以通過將整個代碼包裝在main函數中并調用一次來加速代碼，如下所示：

def main(): 
 
    ... # All your previously global code 
 
main() 

不訪問屬性

可能會使你的程序變慢的另一件事是點運算符(.)，它在獲得對象屬性時被使用。此運算符使用__getattribute__觸發字典查找，這會在代碼中產生額外的開銷。那么，我們如何才能真正避免(限制)使用它呢?

# Slow: 
import re 
def slow_func(): 
    for i in range(10000): 
        re.findall(regex, line) # Slow! 
 
# Fast: 
from re import findall 
def fast_func(): 
    for i in range(10000): 
        findall(regex, line) # Faster! 

當心字符串

使用模數(%s)或.format()進行循環運行時，字符串操作可能會變得非常慢。我們有什么更好的選擇?根據雷蒙德·海廷格(Raymond Hettinger)最近的推特，我們唯一應該使用的是f字符串，它是最易讀，最簡潔且最快的方法。根據該推特，這是你可以使用的方法列表——最快到最慢：

f'{s} {t}'  # Fast! 
s + ' ' + t 
' '.join((s, t)) 
'%s %s' % (s, t) 
'{} {}'.format(s, t) 
Template('$s $t').substitute(ss=s, tt=t) # Slow! 

生成器本質上并沒有更快，因為它們被允許進行延遲計算，從而節省了內存而不是時間。但是，保存的內存可能會導致你的程序實際運行得更快。這是怎么做到的?如果你有一個很大的數據集，而沒有使用生成器(迭代器)，那么數據可能會溢出CPU L1緩存，這將大大減慢內存中值的查找速度。

在性能方面，非常重要的一點是CPU可以將正在處理的所有數據盡可能地保存在緩存中。你可以觀看Raymond Hettingers的視頻，他在其中提到了這些問題。

結論

優化的首要規則是不要優化。但是，如果確實需要，那么我希望上面這些技巧可以幫助你。但是，在優化代碼時要小心，因為它可能最終使你的代碼難以閱讀，因此難以維護，這可能超過優化的好處。

相關報道：

https://towardsdatascience.com/making-python-programs-blazingly-fast-c1cd79bd1b32

【本文是51CTO專欄機構大數據文摘的原創譯文，微信公眾號“大數據文摘（ id: BigDataDigest）”】

戳這里，看該作者更多好文