python速度提升python：Python加速运行技巧 这样也行？

 

今天我们聊1聊最近互联网有什么事：

Python 是1种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在1些没有足但是，有很多时候，Python 的效率并没有想象中的那么夸张本文对1些 Python 代码加速运行的技巧进行整理。

0. 代码优化原则本文会介绍没有少的 Python 代码加速运行的技巧在深入代码优化细节之前，需要了解1些代码优化基本原则第1个基本原则：没有要过早优化很多人1开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。

因此，优化的前提是代码能正常工作过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前没有要主次颠倒第二个基本原则：权衡优化的代价优化是有代价的，想解决所有性能的问题是几乎没有可能的通常面临的选择是时间换空间或空间换时间。

另外，开发代价也需要考虑第3个原则：没有要优化那些无关紧要的部分如果对代码的每1部分都去优化，这些修改会使代码难以阅读和理解如果你的代码运行速度很慢，首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化。

在其他地方，1点时间上的损失没有什么影响1. 避免全局变量# 没有推荐写法代码耗时：26.8秒import mathsize = 10000for x in range(size):for y in range(size):。

z = math.sqrt(x) + math.sqrt(y)许多程序员刚开始会用 Python 语言写1些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码但是，由于全局变量和局部变量实现方式没有同，定义在全局范围内的代码运行速度会比定义在函数中的慢没有少。

通过将脚本语句放入到函数中，通常可带来 15% - 30% 的速度提升# 推荐写法代码耗时：20.6秒import mathdefmain():# 定义到函数中，以减少全部变量使用    size = 。

10000for x in range(size):for y in range(size):            z = math.sqrt(x) + math.sqrt(y)main()2. 避免

.2.1 避免模块和函数属性访问# 没有推荐写法代码耗时：14.5秒import mathdefcomputeSqrt(size: int):    result = []for i in range(size):。

        result.end(math.sqrt(i))return resultdefmain():    size = 10000for _ in range(size):        result = computeSqrt(size)

main()每次使用.（属性访问操作符时）会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销通过from import。

语句，可以消除属性访问# 第1次优化写法代码耗时：10.9秒from math import sqrtdefcomputeSqrt(size: int):    result = []for i in range(size):

        result.end(sqrt(i))  # 避免math.sqrt的使用return resultdefmain():    size = 10000for _ in range(size):

result = computeSqrt(size)main()在第 1 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行# 第二次优化写法。

代码耗时：9.9秒import mathdefcomputeSqrt(size: int):    result = []    sqrt = math.sqrt  # 赋值给局部变量for i in range(size):

        result.end(sqrt(i))  # 避免math.sqrt的使用return resultdefmain():    size = 10000for _ in range(size):

result = computeSqrt(size)main()除了math.sqrt外，computeSqrt函数中还有.的存在，那就是调用list的end方法通过将该方法赋值给1个局部变量，可以彻底消除。

computeSqrt函数中for循环内部的.使用# 推荐写法代码耗时：7.9秒import mathdefcomputeSqrt(size: int):    result = []    end = result.end。

sqrt = math.sqrt    # 赋值给局部变量for i in range(size):        end(sqrt(i))  # 避免 result.end 和 math.sqrt 的使用

return resultdefmain():    size = 10000for _ in range(size):        result = computeSqrt(size)main()2.2 避免类内属性访问

# 没有推荐写法代码耗时：10.4秒import mathfrom typing import ListclassDemoClass:def__init__(self, value: int):        self._value = value。

defcomputeSqrt(self, size: int) -> List[float]:        result = []        end = result.end        sqrt = math.sqrt

for _ in range(size):            end(sqrt(self._value))return resultdefmain():    size = 10000for _ 

in range(size):        demo_instance = DemoClass(size)        result = demo_instance.computeSqrt(size)

main()避免.的原则也适用于类内属性，访问self._value的速度会比访问1个局部变量更慢1些通过将需要频繁访问的类内属性赋值给1个局部变量，可以提升代码运行速度# 推荐写法代码耗时：8.0秒import

 mathfrom typing import ListclassDemoClass:def__init__(self, value: int):        self._value = valuedef

computeSqrt(self, size: int) -> List[float]:        result = []        end = result.end        sqrt = math.sqrt

value = self._valuefor _ in range(size):            end(sqrt(value))  # 避免 self._value 的使用

return resultdefmain():    size = 10000for _ in range(size):        demo_instance = DemoClass(size)        demo_instance.computeSqrt(size)

main()3. 避免没有必要的抽象# 没有推荐写法，代码耗时：0.55秒classDemoClass:def__init__(self, value: int):        self.value = value

    @propertydefvalue(self) -> int:return self._value    @value.setterdefvalue(self, x: int):        self._value = x

defmain():    size = 1000000for i in range(size):        demo_instance = DemoClass(size)        value = demo_instance.value

demo_instance.value = imain()任何时候当你使用额外的处理层（比如装饰器、属性访问、描述器）去包装代码时，都会让代码变慢大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用。

getter/setter函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格如果真的没有必要，就使用简单属性# 推荐写法，代码耗时：0.33秒classDemoClass:def__init__。

(self, value: int):        self.value = value  # 避免没有必要的属性访问器defmain():    size = 1000000for i in range(size):

demo_instance = DemoClass(size)        value = demo_instance.value        demo_instance.value = i

main()4. 避免数据复制4.1 避免无意义的数据复制# 没有推荐写法，代码耗时：6.5秒defmain():    size = 10000for _ in range(size):        value = range(size)

value_list = [x for x in value]        square_list = [x * x for x in value_list]main()上面的代码中value_list

完全没有必要，这会创建没有必要的数据结构或复制# 推荐写法，代码耗时：4.8秒defmain():    size = 10000for _ in range(size):        value = range(size)。

        square_list = [x * x for x in value]  # 避免无意义的复制main()另外1种情况是对 Python 的数据共享机制过于偏执，并没有很好地理解或信任 Python 的内存模型，滥用 

copy.deepcopy()之类的函数通常在这些代码中是可以去掉复制操作的4.2 交换值时没有使用中央变量# 没有推荐写法，代码耗时：0.07秒defmain():    size = 1000000for

 _ in range(size):        a = 3        b = 5        temp = a        a = b        b = tempmain()上面的代码在交换值时创建了1个一时变量

temp，如果没有借助中央变量，代码更为简洁、且运行速度更快# 推荐写法，代码耗时：0.06秒 def main():     size = 1000000     for _ in range(size):         a = 3         b = 5         a, b = b, a  # 没有借助中央变量 main()。

4.3 字符串拼接用join而没有是+# 没有推荐写法，代码耗时：2.6秒import stringfrom typing import ListdefconcatString(string_list: List[str])

-> str:    result = for str_i in string_list:        result += str_ireturn resultdefmain():    string_list = list(string.ascii_letters *

100)for _ in range(10000):        result = concatString(string_list)main()当使用a + b拼接字符串时，由于 Python 中字符串是没有可变对象，其会申请1块内存空间，将

a和b分别复制到该新申请的内存空间中因此，如果要拼接n个字符串，会产生 n⑴其中间结果，每产生1其中间结果都需要申请和复制1次内存，宽重影响运行效率而使用join()拼接字符串时，会首先计算出需要申请的总的内存空间，然后1次性地申请所需内存，并将每个字符串元素复制到该内存中去。

# 推荐写法，代码耗时：0.3秒import stringfrom typing import ListdefconcatString(string_list: List[str]) -> str:return

 .join(string_list)  # 使用 join 而没有是 +defmain():    string_list = list(string.ascii_letters * 100)for _ 

in range(10000):        result = concatString(string_list)main()5. 利用if条件的短路特性# 没有推荐写法，代码耗时：0.05秒from typing 

import ListdefconcatString(string_list: List[str]) -> str:    abbreviations = {cf., e.g., ex., etc.,

flg., i.e., Mr., vs.}    abbr_count = 0    result = for str_i in string_list:if str_i in abbreviations:

            result += str_ireturn resultdefmain():for _ in range(10000):        string_list = [Mr., Hat

, is, Chasing, the, black, cat, .]        result = concatString(string_list)main()if 条件的短路特性是指对if a and b

这样的语句， 当a为False时将直接返回，没有再计算b；对于if a or b这样的语句，当a为True时将直接返回，没有再计算b因此， 为了节约运行时间，对于or语句，应该将值为True可能性比较高的变量写在。

or前，而and应该推后# 推荐写法，代码耗时：0.03秒from typing import ListdefconcatString(string_list: List[str]) -> str:    abbreviations = {

cf., e.g., ex., etc., flg., i.e., Mr., vs.}    abbr_count = 0    result = for str_i in string_list:if

 str_i[⑴] == .and str_i in abbreviations:  # 利用 if 条件的短路特性            result += str_ireturn resultdef

main():for _ in range(10000):        string_list = [Mr., Hat, is, Chasing, the, black, cat, .]        result = concatString(string_list)

main()6. 循环优化6.1 用for循环代替while循环# 没有推荐写法代码耗时：6.7秒defcomputeSum(size: int) -> int:    sum_ = 0    i = 0

while i < size:        sum_ += i        i += 1return sum_defmain():    size = 10000for _ in range(size):

sum_ = computeSum(size)main()Python 的for循环比while循环快没有少# 推荐写法代码耗时：4.3秒defcomputeSum(size: int) -> int:

    sum_ = 0for i in range(size):  # for 循环代替 while 循环        sum_ += ireturn sum_defmain():    size = 

10000for _ in range(size):        sum_ = computeSum(size)main()6.2 使用隐式for循环代替显式for循环针对上面的例子，更进1步可以用隐式

for循环来替代显式for循环# 推荐写法代码耗时：1.7秒defcomputeSum(size: int) -> int:return sum(range(size))  # 隐式 for 循环代替显式 for 循环。

defmain():    size = 10000for _ in range(size):        sum = computeSum(size)main()6.3 减少内层for循环的计算# 没有推荐写法。

代码耗时：12.8秒import mathdefmain():    size = 10000    sqrt = math.sqrtfor x in range(size):for y in range(size):

z = sqrt(x) + sqrt(y)main() 上面的代码中sqrt(x)位于内侧for循环， 每次训练过程中都会重新计算1次，增加了时间开销# 推荐写法代码耗时：7.0秒。

import mathdefmain():    size = 10000    sqrt = math.sqrtfor x in range(size):        sqrt_x = sqrt(x)  

# 减少内层 for 循环的计算for y in range(size):            z = sqrt_x + sqrt(y)main() 7. 使用numba.jit我们沿用上面介绍过的例子，在此基础上使用

numba.jitnumba可以将 Python 函数 JIT 编译为机器码执行，大大提高代码运行速度关于numba的更多信息见上面的主页：http://numba.pydata.org/numba.pydata.org。

# 推荐写法代码耗时：0.62秒import numba@numba.jitdefcomputeSum(size: float) -> int:    sum = 0for i in range(size):。

        sum += ireturn sumdefmain():    size = 10000for _ in range(size):        sum = computeSum(size)

main()8. 选择合适的数据结构Python 内置的数据结构如str, tuple, list, set, dict底层都是 C 实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是没有可能的。

list类似于 C++ 中的std::vector，是1种动态数组其会预分配1定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请1块更大的内存空间，然后将原有的所有元素都复制过去，以后销毁之前的内存空间，再插入新元素。

删除元素时操作类似，当已使用内存空间比预分配内存空间的1半还少时，会另外申请1块小内存，做1次元素复制，以后销毁原有大内存空间因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率没有高。

此时，应该考虑使用collections.dequecollections.deque是双端队列，同时具备栈和队列的特性，能够在两头进行 O(1)复杂度的插入和删除操作list的查找操作也非常耗时当需要在。

list频繁查找某些元素，或频繁有序访问这些元素时，可以使用bisect维护list对象有序并在其中进行二分查找，提升查找的效率另外1个常见需求是查找极小值或极大值，此时可以使用heapq模块将list。

转化为1个堆，使得获取最小值的时间复杂度是O(1)上面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度：TimeComplexity - Python Wikiwiki.python.org。

参考资料https://zhuanlan.zhihu.com/p/143052860David Beazley & Brian K. Jones. Python Cookbook, Third edition. OReilly Media, ISBN: 9781449340377, 2013.

张颖 & 赖勇浩. 编写高质量代码：改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.文章转自：深度学习初学者--END---

长按扫码关注

希望这篇文章能够帮助到您，如果有需要请随时取我们联系。