介紹

[[326871]]

今天，我們將討論Python中的優化技術。在本文中，您將了解如何通過避免在列表和字典中進行重新計算來加快代碼的速度。

我們先編寫一個裝飾器函數來計算函數的執行時間，方便測驗不同代碼的速度：

import functools 
import time 
 
def timeit(func): 
    @functools.wraps(func) 
    def newfunc(*args, **kwargs): 
        startTime = time.time() 
        func(*args, **kwargs) 
        elapsedTime = time.time() - startTime 
        print('function - {}, took {} ms to complete'.format(func.__name__, int(elapsedTime * 1000))) 
    return newfunc 

避免在列表中重新評估

在循環內

代碼：

@timeit 
def append_inside_loop(limit): 
    nums = [] 
    for num in limit: 
        nums.append(num) 
 
append_inside_loop(list(range(1, 9999999))) 

在上面的函數中.append每次通過循環重新計算的函數引用。執行后，上述函數所花費的總時間:

o/p - function - append_inside_loop, took 529 ms to complete 

在循環外

代碼：

@timeit 
def append_outside_loop(limit): 
    nums = [] 
    append = nums.append 
    for num in limit: 
        append(num) 
 
append_outside_loop(list(range(1, 9999999))) 

在上面的函數中，我們對nums.append在循環外部估值，并在循環內部使用append為變量。總時間:

o/p - function - append_outside_loop, took 328 ms to complete 

如您所見，當我們在​for循環外部追加為一個本地變量，這將花費更少的時間，可以將代碼加速201 ms。​

避免在字典中重新求值

在循環內部

代碼：

@timeit 
def inside_evaluation(limit): 
    data = {} 
    for num in limit: 
        data[num] = data.get(num, 0) + 1 
 
inside_evaluation(list(range(1, 9999999))) 

上述函數所花費的總時間：

o/p - function - inside_evaluation, took 1400 ms to complete 

在循環外

代碼：

@timeit 
def outside_evaluation(limit): 
    data = {} 
    get = data.get 
    for num in limit: 
        data[num] = get(num, 0) + 1 
 
 
outside_evaluation(list(range(1, 9999999))) 

上述函數所花費的總時間：

o/p - function - outside_evaluation, took 1189 ms to complete 

如你所見，我們這里的代碼速度提高了211毫秒。