成人免费xxxxx在线视频软件_久久精品久久久_亚洲国产精品久久久_天天色天天色_亚洲人成一区_欧美一级欧美三级在线观看

Python 優化提速的 8 個小技巧

作者：佚名
開發 后端
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。

 [[405888]]

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 

  1. # 不推薦寫法。代碼耗時：26.8秒  
  2. import math  
  3. size = 10000  
  4. for x in range(size):  
  5.     for y in range(size):  
  6.         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。 

  1. # 推薦寫法。代碼耗時：20.6秒 
  2.  import math  
  3. def main():  # 定義到函數中，以減少全部變量使用  
  4.     size = 10000  
  5.     for x in range(size):  
  6.         for y in range(size):  
  7.             z = math.sqrt(x) + math.sqrt(y)  
  8. main() 

2. 避免.

2.1 避免模塊和函數屬性訪問 

  1. # 不推薦寫法。代碼耗時：14.5秒  
  2. import math  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     for i in range(size):  
  6.         result.append(math.sqrt(i))  
  7.     return result  
  8. def main():  
  9.     size = 10000  
  10.     for _ in range(size): 
  11.          result = computeSqrt(size)  
  12. 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from import語句，可以消除屬性訪問。 

  1. # 第一次優化寫法。代碼耗時：10.9秒  
  2. from math import sqrt  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     for i in range(size):  
  6.         result.append(sqrt(i))  # 避免math.sqrt的使用  
  7.     return result  
  8. def main():  
  9.     size = 10000  
  10.     for _ in range(size):  
  11.         result = computeSqrt(size)  
  12. 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。 

  1. # 第二次優化寫法。代碼耗時：9.9秒  
  2. import math  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     sqrt = math.sqrt  # 賦值給局部變量  
  6.     for i in range(size):  
  7.         result.append(sqrt(i))  # 避免math.sqrt的使用  
  8.     return result  
  9. def main():  
  10.     size = 10000  
  11.     for _ in range(size):  
  12.         result = computeSqrt(size)  
  13. 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。 

  1. # 推薦寫法。代碼耗時：7.9秒  
  2. import math  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     append = result.append  
  6.     sqrt = math.sqrt    # 賦值給局部變量  
  7.     for i in range(size): 
  8.          append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用  
  9.     return result  
  10. def main():  
  11.     size = 10000  
  12.     for _ in range(size):  
  13.         result = computeSqrt(size)  
  14. main() 

2.2 避免類內屬性訪問 

  1. # 不推薦寫法。代碼耗時：10.4秒  
  2. import math  
  3. from typing import List  
  4. class DemoClass: 
  5.      def __init__(self, value: int):  
  6.         self._value = value      
  7.     def computeSqrt(self, size: int) -> List[float]:  
  8.         result = []  
  9.         append = result.append  
  10.         sqrt = math.sqrt  
  11.         for _ in range(size):  
  12.             append(sqrt(self._value))  
  13.         return result   
  14. def main():  
  15.     size = 10000  
  16.     for _ in range(size):  
  17.         demo_instance = DemoClass(size)  
  18.         result = demo_instance.computeSqrt(size)  
  19. 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。 

  1. # 推薦寫法。代碼耗時：8.0秒  
  2. import math  
  3. from typing import List  
  4. class DemoClass:  
  5.     def __init__(self, value: int):  
  6.         self._value = value      
  7.     def computeSqrt(self, size: int) -> List[float]:  
  8.         result = []  
  9.         append = result.append  
  10.         sqrt = math.sqrt  
  11.         value = self._value  
  12.         for _ in range(size):  
  13.             append(sqrt(value))  # 避免 self._value 的使用  
  14.         return result  
  15. def main():  
  16.     size = 10000  
  17.     for _ in range(size):  
  18.         demo_instance = DemoClass(size)  
  19.         demo_instance.computeSqrt(size)  
  20. main() 

3. 避免不必要的抽象 

  1. # 不推薦寫法，代碼耗時：0.55秒  
  2. class DemoClass:  
  3.     def __init__(self, value: int):  
  4.         self.value = value  
  5.     @property  
  6.     def value(self) -> int:  
  7.         return self._value  
  8.     @value.setter  
  9.     def value(self, x: int):  
  10.         self._value = x  
  11. def main():  
  12.     size = 1000000  
  13.     for i in range(size):  
  14.         demo_instance = DemoClass(size) 
  15.         value = demo_instance.value  
  16.         demo_instance.value = i  
  17. 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。 

  1. # 推薦寫法，代碼耗時：0.33秒  
  2. class DemoClass:  
  3.     def __init__(self, value: int):  
  4.         self.value = value  # 避免不必要的屬性訪問器  
  5. def main():  
  6.     size = 1000000  
  7.     for i in range(size):  
  8.         demo_instance = DemoClass(size)  
  9.         value = demo_instance.value  
  10.         demo_instance.value = i   
  11. main() 

4. 避免數據復制

4.1 避免無意義的數據復制 

  1. # 不推薦寫法，代碼耗時：6.5秒  
  2. def main():  
  3.     size = 10000  
  4.     for _ in range(size):  
  5.         value = range(size)  
  6.         value_list = [x for x in value]  
  7.         square_list = [x * x for x in value_list]  
  8. 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。 

  1. # 推薦寫法，代碼耗時：4.8秒  
  2. def main():  
  3.     size = 10000  
  4.     for _ in range(size):  
  5.         value = range(size)  
  6.         square_list = [x * x for x in value]  # 避免無意義的復制  
  7. 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 

  1. # 不推薦寫法，代碼耗時：0.07秒  
  2. def main():  
  3.     size = 1000000  
  4.     for _ in range(size):  
  5.         a = 3  
  6.         b = 5  
  7.         temp = a  
  8.         a = b  
  9.         b = temp  
  10. 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。

 

  1. # 推薦寫法，代碼耗時：0.06秒  
  2. def main():  
  3.     size = 1000000  
  4.     for _ in range(size):  
  5.         a = 3  
  6.         b = 5  
  7.         a, bb = b, a  # 不借助中間變量  
  8. main() 

4.3 字符串拼接用join而不是+

 

  1. # 不推薦寫法，代碼耗時：2.6秒  
  2. import string  
  3. from typing import List  
  4. def concatString(string_list: List[str]) -> str:  
  5.     result = ''  
  6.     for str_i in string_list:  
  7.         result += str_i  
  8.     return result  
  9. def main(): 
  10.     string_list = list(string.ascii_letters * 100)  
  11.     for _ in range(10000):  
  12.         result = concatString(string_list)  
  13. 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。 

  1. # 推薦寫法，代碼耗時：0.3秒  
  2. import string  
  3. from typing import List  
  4. def concatString(string_list: List[str]) -> str:  
  5.     return ''.join(string_list)  # 使用 join 而不是 +  
  6. def main():  
  7.     string_list = list(string.ascii_letters * 100)  
  8.     for _ in range(10000):  
  9.         result = concatString(string_list)  
  10. main() 

5. 利用if條件的短路特性 

  1. # 不推薦寫法，代碼耗時：0.05秒  
  2. from typing import List  
  3. def concatString(string_list: List[str]) -> str:  
  4.     abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}  
  5.     abbr_count = 0  
  6.     result = ''  
  7.     for str_i in string_list:  
  8.         if str_i in abbreviations:  
  9.             result += str_i  
  10.     return result  
  11. def main():  
  12.     for _ in range(10000):  
  13.         string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']  
  14.         result = concatString(string_list)  
  15. main() 

if 條件的短路特性是指對if a and b這樣的語句， 當a為False時將直接返回，不再計算b；對于if a or b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。 

  1. # 推薦寫法，代碼耗時：0.03秒  
  2. from typing import List  
  3. def concatString(string_list: List[str]) -> str:  
  4.     abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}  
  5.     abbr_count = 0  
  6.     result = ''  
  7.     for str_i in string_list:  
  8.         if str_i[-1] == '.' and str_i in abbreviations:  # 利用 if 條件的短路特性  
  9.             result += str_i  
  10.     return result  
  11. def main():  
  12.     for _ in range(10000):  
  13.         string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']  
  14.         result = concatString(string_list)  
  15. main() 

6. 循環優化

6.1 用for循環代替while循環 

  1. # 不推薦寫法。代碼耗時：6.7秒  
  2. def computeSum(size: int) -> int:  
  3.     sum_ = 0  
  4.     i = 0  
  5.     while i < size:  
  6.         sum_ += i  
  7.         i += 1  
  8.     return sum_  
  9. def main():  
  10.     size = 10000  
  11.     for _ in range(size):  
  12.         sum_ = computeSum(size)  
  13. main() 

Python 的for循環比while循環快不少。 

  1. # 推薦寫法。代碼耗時：4.3秒  
  2. def computeSum(size: int) -> int:  
  3.     sum_ = 0  
  4.     for i in range(size):  # for 循環代替 while 循環  
  5.         sum_ += i  
  6.     return sum_  
  7. def main():  
  8.     size = 10000  
  9.     for _ in range(size):  
  10.         sum_ = computeSum(size)  
  11. 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 

  1. # 推薦寫法。代碼耗時：1.7秒  
  2. def computeSum(size: int) -> int:  
  3.     return sum(range(size))  # 隱式 for 循環代替顯式 for 循環  
  4. def main():  
  5.     size = 10000  
  6.     for _ in range(size):  
  7.         sum = computeSum(size)  
  8. main() 

6.3 減少內層for循環的計算 

  1. # 不推薦寫法。代碼耗時：12.8秒  
  2. import math  
  3. def main():  
  4.     size = 10000  
  5.     sqrt = math.sqrt  
  6.     for x in range(size):  
  7.         for y in range(size):  
  8.             z = sqrt(x) + sqrt(y)  
  9. 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。 

  1. # 推薦寫法。代碼耗時：7.0秒  
  2. import math  
  3. def main():  
  4.     size = 10000  
  5.     sqrt = math.sqrt  
  6.     for x in range(size):  
  7.         sqrtsqrt_x = sqrt(x)  # 減少內層 for 循環的計算  
  8.         for y in range(size): 
  9.              z = sqrt_x + sqrt(y)  
  10. 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 

  1. # 推薦寫法。代碼耗時：0.62秒  
  2. import numba  
  3. @numba.jit  
  4. def computeSum(size: float) -> int:  
  5.     sum = 0  
  6.     for i in range(size):  
  7.         sum += i  
  8.     return sum  
  9. def main():  
  10.     size = 10000  
  11.     for _ in range(size):  
  12.         sum = computeSum(size)  
  13. 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)。

下面的網頁給出了常用的 Python 數據結構的各項操作的時間復雜度：https://wiki.python.org/moin/TimeComplexity 

 

責任編輯：龐桂玉 來源： Linux公社
Python代碼優化
相關推薦

2021-05-07 16:02:54

Python代碼優化

2021-09-06 10:25:27

Python代碼優化

2021-07-02 09:45:13

Python優化代碼

2022-11-24 10:34:05

CSS前端

2021-11-10 18:52:42

SQL技巧優化

2024-06-21 08:21:44

2022-03-10 08:01:06

CSS技巧選擇器

2014-12-03 10:04:49

Eclipse

2011-05-10 17:06:05

SEO

2018-11-28 12:30:58

Python命令行編程語言

2020-09-26 21:50:26

JavaScript代碼開發

2022-05-24 14:07:53

OpenFeignSpring開源

2021-11-18 08:20:22

接口索引SQL

2024-10-28 08:34:06

2020-12-24 09:18:51

SQL數據庫函數

2011-05-04 10:01:04

2022-07-20 08:21:00

Java代碼優化

2021-06-02 22:54:34

技巧 Git Clone項目

2009-06-18 11:12:42

Hibernate S優化

2022-06-21 09:02:49

python技巧
點贊
收藏

51CTO技術棧公眾號

主站蜘蛛池模板： 色狠狠桃花综合 | 99精品视频免费观看 | 欧美成人精品 | 欧美日韩综合视频 | 成人av一区 | 国产日韩精品一区二区 | 免费黄色片在线观看 | 久久精品国产久精国产 | 日本久久视频 | 日本不卡一区二区三区 | 国产ts人妖一区二区三区 | 男人的天堂在线视频 | 日韩在线视频播放 | 亚洲视频二区 | 一区二区视频 | 亚洲在线一区 | 国产精品欧美一区喷水 | 国久久 | 丁香综合| 久久成人精品一区二区三区 | 日韩精品一区二区三区 | 一区二区三区亚洲 | 福利视频大全 | 97av视频 | 亚洲 欧美 另类 日韩 | 亚洲精品一区二 | 日韩成人在线播放 | 红色av社区 | 成人国产精品久久 | 亚洲一区欧美一区 | 国产欧美精品一区二区色综合朱莉 | 综合激情av | 在线播放国产一区二区三区 | 欧美激情久久久久久 | 在线播放中文字幕 | 91在线观看网址 | 日韩一区在线观看视频 | 老司机午夜性大片 | 亚洲免费视频在线观看 | 亚洲天堂精品一区 | 亚欧精品一区 |