前言

這種觀點在關(guān)于編程語言的討論中經(jīng)常出現(xiàn)，經(jīng)常掩蓋了Python的眾多優(yōu)點。

事實是，如果能以Pythonic的方式編寫Python代碼，它是很快的。

細節(jié)決定成敗。經(jīng)驗豐富的Python開發(fā)者掌握了一系列微妙而強大的技巧，可以顯著提高代碼的性能。

這些技巧乍看之下似乎微不足道，但它們可以帶來效率的大幅提升。讓我們深入了解其中的9種方法，改變編寫和優(yōu)化Python代碼的方式。

1. 更快的字符串連接：巧妙選擇“join()”或“+”

如果有大量字符串等待處理，字符串連接將成為Python程序的瓶頸。

基本上，Python有兩種字符串連接的方式：

1. 使用join()函數(shù)將一組字符串合并為一個字符串。
2. 使用+或+=符號將每個單獨的字符串添加到一個字符串中。

那么哪種方式更快呢？

現(xiàn)在，讓我們定義3個不同的函數(shù)來連接相同的字符串：

mylist = ["Yang", "Zhou", "is", "writing"]


# 使用'+'
def concat_plus():
    result = ""
    for word in mylist:
        result += word + " "
    return result


# 使用'join()'
def concat_join():
    return " ".join(mylist)


# 直接連接而不使用列表
def concat_directly():
    return "Yang" + "Zhou" + "is" + "writing"

根據(jù)你的第一印象，你認為哪個函數(shù)最快，哪個最慢？

真正的結(jié)果可能會讓你驚訝：

import timeit

print(timeit.timeit(concat_plus, number=10000))
# 0.002738415962085128
print(timeit.timeit(concat_join, number=10000))
# 0.0008482920238748193
print(timeit.timeit(concat_directly, number=10000))
# 0.00021425005979835987

如上所示，對于連接一組字符串，join()方法比在for循環(huán)中逐個添加字符串更快。

原因很簡單。一方面，字符串在Python中是不可變的數(shù)據(jù)，每次+=操作都會創(chuàng)建一個新字符串并復制舊字符串，這在計算上成本是昂貴的。

另一方面，.join()方法專門針對連接一系列字符串進行了優(yōu)化。它會預先計算出所生成字符串的大小，然后一次性創(chuàng)建它。因此，它避免了循環(huán)中+=操作帶來的開銷，從而使速度更快。

然而，在我們的測試中，速度最快的函數(shù)是直接連接字符串文字。它的高速度是由于：

• Python解釋器可以在編譯時優(yōu)化字符串文字的連接，將它們轉(zhuǎn)換為一個單獨的字符串文字。這里不涉及循環(huán)迭代或函數(shù)調(diào)用，因此是一種非常高效的操作。
• 由于所有字符串在編譯時都是已知的，Python可以非常快速地執(zhí)行此操作，比在循環(huán)中進行的運行時連接或經(jīng)過優(yōu)化的.join()方法要快得多。

總之，如果需要連接一組字符串，請選擇join()而不是+=。如果想要直接連接字符串，只需使用+即可。

2. 更快的列表創(chuàng)建：使用“[]”而不是“l(fā)ist()”

創(chuàng)建列表并不是很難的事情。常見的兩種方式是：

1. 使用list()函數(shù)。
2. 直接使用[]。

讓我們使用一個簡單的代碼片段來測試它們的性能：

import timeit

print(timeit.timeit('[]', number=10 ** 7))
# 0.1368238340364769
print(timeit.timeit(list, number=10 ** 7))
# 0.2958830420393497

結(jié)果顯示，執(zhí)行l(wèi)ist()函數(shù)比直接使用[]要慢。

這是因為[]是一種字面量語法，而list()是一個構(gòu)造函數(shù)調(diào)用。調(diào)用函數(shù)無疑需要額外的時間。

從同樣的邏輯出發(fā)，在創(chuàng)建字典時，我們也應該使用{}而不是dict()。

3. 更快的成員測試：使用集合而不是列表

成員測試操作的性能在很大程度上依賴于底層數(shù)據(jù)結(jié)構(gòu)：

import timeit

large_dataset = range(100000)
search_element = 2077

large_list = list(large_dataset)
large_set = set(large_dataset)


def list_membership_test():
    return search_element in large_list


def set_membership_test():
    return search_element in large_set


print(timeit.timeit(list_membership_test, number=1000))
# 0.01112208398990333
print(timeit.timeit(set_membership_test, number=1000))
# 3.27499583363533e-05

正如上述代碼所示，使用集合進行成員測試比使用列表更快。

為什么會這樣呢？

• 在Python的列表中，成員測試（列表中的元素）是通過迭代每個元素直到找到所需的元素或達到列表的末尾來完成。因此，此操作的時間復雜度為O(n)。
• Python中的集合實現(xiàn)形式為哈希表。在進行成員檢查（集合中的元素）時，Python使用哈希機制，其平均時間復雜度為O(1)。

這里的關(guān)鍵在于：在編寫程序時要仔細考慮底層數(shù)據(jù)結(jié)構(gòu)。正確利用合適的數(shù)據(jù)結(jié)構(gòu)可以顯著加快代碼的運行速度。

4. 更快的數(shù)據(jù)生成：使用推導式而不是for循環(huán)

Python中有四種推導式類型：列表推導式、字典推導式、集合推導式和生成器推導式。它們不僅為創(chuàng)建相對數(shù)據(jù)結(jié)構(gòu)提供了更簡潔的語法，而且比使用for循環(huán)更高效，因為它們在Python的C實現(xiàn)中進行了優(yōu)化。

import timeit


def generate_squares_for_loop():
    squares = []
    for i in range(1000):
        squares.append(i * i)
    return squares


def generate_squares_comprehension():
    return [i * i for i in range(1000)]


print(timeit.timeit(generate_squares_for_loop, number=10000))
# 0.2797503340989351
print(timeit.timeit(generate_squares_comprehension, number=10000))
# 0.2364629579242319

上述代碼是列表推導式和for循環(huán)之間的簡單速度比較。結(jié)果顯示，列表推導式更快。

5. 更快的循環(huán)：優(yōu)先使用局部變量

在Python中，訪問局部變量比訪問全局變量或?qū)ο蟮膶傩愿臁?/p>

以下是一個實例來證明這一點：

import timeit


class Example:
    def __init__(self):
        self.value = 0


obj = Example()


def test_dot_notation():
    for _ in range(1000):
        obj.value += 1


def test_local_variable():
    value = obj.value
    for _ in range(1000):
        value += 1
    obj.value = value


print(timeit.timeit(test_dot_notation, number=1000))
# 0.036605041939765215
print(timeit.timeit(test_local_variable, number=1000))
# 0.024470250005833805

這就是Python的工作原理。直觀地說，當一個函數(shù)被編譯時，其中的局部變量是已知的，但其他外部變量需要時間來檢索。

這可能是一個小問題，但是當處理大量數(shù)據(jù)時，我們可以利用它來優(yōu)化我們的代碼。

6. 更快的執(zhí)行速度：優(yōu)先使用內(nèi)置模塊和庫

當工程師們說到Python時，默認情況下指的是CPython。因為CPython是Python語言的默認實現(xiàn)，也是使用最廣泛的實現(xiàn)。

鑒于它的大部分內(nèi)置模塊和庫都是用C語言編寫的，而C語言是一種更快且更底層的語言，因此我們應該利用這些內(nèi)置模塊和庫，避免重復勞動。

import timeit
import random
from collections import Counter


def count_frequency_custom(lst):
    frequency = {}
    for item in lst:
        if item in frequency:
            frequency[item] += 1
        else:
            frequency[item] = 1
    return frequency


def count_frequency_builtin(lst):
    return Counter(lst)


large_list = [random.randint(0, 100) for _ in range(1000)]

print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))
# 0.005160166998393834
print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))
# 0.002444291952997446

上面的程序比較了兩種統(tǒng)計列表中元素頻率的方法。可以看到，利用collections模塊中內(nèi)置的Counter函數(shù)比自己編寫的for循環(huán)更快、更簡潔、更好。

7. 更快的函數(shù)調(diào)用：利用緩存裝飾器輕松實現(xiàn)記憶化

緩存是一種常用的技術(shù)，用于避免重復計算并加快程序的運行速度。

幸運的是，在大多數(shù)情況下，我們不需要自己編寫緩存處理代碼，因為Python為此提供了一個開箱即用的裝飾器來實現(xiàn)這個目的——@functools.cache。

例如，下面的代碼將執(zhí)行兩個生成斐波那契數(shù)的函數(shù)，一個有緩存裝飾器，而另一個沒有：

import timeit
import functools


def fibonacci(n):
    if n in (0, 1):
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)


@functools.cache
def fibonacci_cached(n):
    if n in (0, 1):
        return n
    return fibonacci_cached(n - 1) + fibonacci_cached(n - 2)


# 測試每個函數(shù)的執(zhí)行時間
print(timeit.timeit(lambda: fibonacci(30), number=1))
# 0.09499712497927248
print(timeit.timeit(lambda: fibonacci_cached(30), number=1))
# 6.458023563027382e-06

結(jié)果證明了@functools.cache裝飾器是如何使我們的代碼變得更快的。

基本的fibonacci函數(shù)效率較低，因為在計算fibonacci(30)結(jié)果的過程中，它會多次重新計算相同的斐波那契數(shù)。

而使用緩存的版本要快得多，因為它緩存了之前的計算結(jié)果。因此，它只計算每個斐波那契數(shù)一次，并且對于相同的參數(shù)再次調(diào)用時會從緩存中獲取結(jié)果。

僅僅添加一個內(nèi)置的裝飾器就可以帶來如此大的改進，這就是Pythonic的意義所在。??

8. 更快的無限循環(huán)：優(yōu)先使用"while 1"而不是"while True"

要創(chuàng)建一個無限的while循環(huán)，我們可以使用while True或while 1。

它們的性能差異通常可以忽略不計。但是，了解while 1稍微快一些還是很有趣的。

這源于1是一個字面常量，而True是Python全局作用域中需要查找的一個全局名稱，因此需要一點點額外開銷。

讓我們在代碼片段中進一步比較這兩種方式的真實性能：

import timeit


def loop_with_true():
    i = 0
    while True:
        if i >= 1000:
            break
        i += 1


def loop_with_one():
    i = 0
    while 1:
        if i >= 1000:
            break
        i += 1


print(timeit.timeit(loop_with_true, number=10000))
# 0.1733035419601947
print(timeit.timeit(loop_with_one, number=10000))
# 0.16412191605195403

正如所看到的，while 1的速度確實稍快一些。

然而，現(xiàn)代的Python解釋器（如CPython）已經(jīng)過高度優(yōu)化，這種差異通常是微不足道的。所以不需要擔心這種可忽略的差異。更不用說while True比while 1更易讀了。

9. 更快的啟動：巧妙地導入Python模塊

在Python腳本的頂部導入所有模塊似乎是很自然的。

實際上，我們并不需要這樣做。

而且，如果一個模塊太大，在需要時導入它是一個更好的選擇。

def my_function():
    import heavy_module
    # 函數(shù)的其余部分

以上代碼中，heavy_module是在函數(shù)內(nèi)部導入的。這是一種“延遲加載”的思想，即延遲到在調(diào)用my_function時才進行導入。

這種方法的好處是，如果在執(zhí)行腳本的過程中從未調(diào)用過my_function，那么heavy_module就不會被加載，從而節(jié)省資源并減少腳本的啟動時間。

結(jié)語

綜上所述，就是9個優(yōu)化Python代碼性能的實用技巧，但在實際應用時需要根據(jù)具體情況進行權(quán)衡和調(diào)整。通過綜合考慮代碼的性能、可讀性和可維護性，進而編寫出高效且易于理解的Python代碼。