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(yōu)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(yōu)化細節(jié)之前，需要了解一些代碼優(yōu)化基本原則。
第一個基本原則是不要過早優(yōu)化。很多人一開始寫代碼就奔著性能優(yōu)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(yōu)化的前提是代碼能正常工作。過早地進行優(yōu)化可能會忽視對總體性能指標的把握，在得到全局結(jié)果前不要主次顛倒。
第二個基本原則是權(quán)衡優(yōu)化的代價。優(yōu)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(fā)代價也需要考慮。
第三個原則是不要優(yōu)化那些無關(guān)緊要的部分。如果對代碼的每一部分都去優(yōu)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(nèi)部循環(huán)，專注于運行慢的地方進行優(yōu)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
#?不推薦寫法。代碼耗時：26.8秒
importmath
size?=10000
forxinrange(size):
foryinrange(size):
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(xí)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(xiàn)方式不同，定義在全局范圍內(nèi)的代碼運行速度會比定義在函數(shù)中的慢不少。通過將腳本語句放入到函數(shù)中，通?？蓭?15% - 30% 的速度提升。
#?推薦寫法。代碼耗時：20.6秒
importmath
defmain():#?定義到函數(shù)中，以減少全部變量使用
size?=10000
forxinrange(size):
foryinrange(size):
z?=?math.sqrt(x)?+?math.sqrt(y)
main()
2. 避免.
2.1 避免模塊和函數(shù)屬性訪問
#?不推薦寫法。代碼耗時：14.5秒
importmath
defcomputeSqrt(size:?int):
result?=?[]
foriinrange(size):
result.append(math.sqrt(i))
returnresult
defmain():
size?=10000
for_inrange(size):
result?=?computeSqrt(size)
main()
每次使用.（屬性訪問操作符時）會觸發(fā)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。
#?第一次優(yōu)化寫法。代碼耗時：10.9秒
frommathimportsqrt
defcomputeSqrt(size:?int):
result?=?[]
foriinrange(size):
result.append(sqrt(i))#?避免math.sqrt的使用
returnresult
defmain():
size?=10000
for_inrange(size):
result?=?computeSqrt(size)
main()
在第 1 節(jié)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。
#?第二次優(yōu)化寫法。代碼耗時：9.9秒
importmath
defcomputeSqrt(size:?int):
result?=?[]
sqrt?=?math.sqrt#?賦值給局部變量
foriinrange(size):
result.append(sqrt(i))#?避免math.sqrt的使用
returnresult
defmain():
size?=10000
for_inrange(size):
result?=?computeSqrt(size)
main()
除了math.sqrt外，computeSqrt函數(shù)中還有.的存在，那就是調(diào)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(shù)中for循環(huán)內(nèi)部的.使用。
#?推薦寫法。代碼耗時：7.9秒
importmath
defcomputeSqrt(size:?int):
result?=?[]
append?=?result.append
sqrt?=?math.sqrt#?賦值給局部變量
foriinrange(size):
append(sqrt(i))#?避免?result.append?和?math.sqrt?的使用
returnresult
defmain():
size?=10000
for_inrange(size):
result?=?computeSqrt(size)
main()
2.2 避免類內(nèi)屬性訪問
#?不推薦寫法。代碼耗時：10.4秒
importmath
fromtypingimportList
classDemoClass:
def__init__(self,?value:?int):
self._value?=?value
defcomputeSqrt(self,?size:?int)->?List[float]:
result?=?[]
append?=?result.append
sqrt?=?math.sqrt
for_inrange(size):
append(sqrt(self._value))
returnresult
defmain():
size?=10000
for_inrange(size):
demo_instance?=?DemoClass(size)
result?=?demo_instance.computeSqrt(size)
main()
避免.的原則也適用于類內(nèi)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(nèi)屬性賦值給一個局部變量，可以提升代碼運行速度。
#?推薦寫法。代碼耗時：8.0秒
importmath
fromtypingimportList
classDemoClass:
def__init__(self,?value:?int):
self._value?=?value
defcomputeSqrt(self,?size:?int)->?List[float]:
result?=?[]
append?=?result.append
sqrt?=?math.sqrt
value?=?self._value
for_inrange(size):
append(sqrt(value))#?避免?self._value?的使用
returnresult
defmain():
size?=10000
for_inrange(size):
demo_instance?=?DemoClass(size)
demo_instance.computeSqrt(size)
main()
3. 避免不必要的抽象
#?不推薦寫法，代碼耗時：0.55秒
classDemoClass:
def__init__(self,?value:?int):
self.value?=?value
????@property
defvalue(self)->?int:
returnself._value
????@value.setter
defvalue(self,?x:?int):
self._value?=?x
defmain():
size?=1000000
foriinrange(size):
demo_instance?=?DemoClass(size)
value?=?demo_instance.value
demo_instance.value?=?i
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(shù)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。
#?推薦寫法，代碼耗時：0.33秒
classDemoClass:
def__init__(self,?value:?int):
self.value?=?value#?避免不必要的屬性訪問器
defmain():
size?=1000000
foriinrange(size):
demo_instance?=?DemoClass(size)
value?=?demo_instance.value
demo_instance.value?=?i
main()
4. 避免數(shù)據(jù)復(fù)制
4.1 避免無意義的數(shù)據(jù)復(fù)制
#?不推薦寫法，代碼耗時：6.5秒
defmain():
size?=10000
for_inrange(size):
value?=?range(size)
value_list?=?[xforxinvalue]
square_list?=?[x?*?xforxinvalue_list]
main()
上面的代碼中value_list完全沒有必要，這會創(chuàng)建不必要的數(shù)據(jù)結(jié)構(gòu)或復(fù)制。
#?推薦寫法，代碼耗時：4.8秒
defmain():
size?=10000
for_inrange(size):
value?=?range(size)
square_list?=?[x?*?xforxinvalue]#?避免無意義的復(fù)制
main()
另外一種情況是對 Python 的數(shù)據(jù)共享機制過于偏執(zhí)，并沒有很好地理解或信任 Python 的內(nèi)存模型，濫用?copy.deepcopy()之類的函數(shù)。通常在這些代碼中是可以去掉復(fù)制操作的。
4.2 交換值時不使用中間變量
不推薦寫法，代碼耗時：0.07秒
#?不推薦寫法，代碼耗時：0.07秒
defmain():
size?=1000000
for_inrange(size):
a?=3
b?=5
temp?=?a
a?=?b
b?=?temp
main()
上面的代碼在交換值時創(chuàng)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。
#?推薦寫法，代碼耗時：0.06秒
defmain():
size?=1000000
for_inrange(size):
a?=3
b?=5
a,?b?=?b,?a#?不借助中間變量
main()
4.3 字符串拼接用join而不是+
#?不推薦寫法，代碼耗時：2.6秒
importstring
fromtypingimportList
defconcatString(string_list:?List[str])->?str:
result?=''
forstr_iinstring_list:
result?+=?str_i
returnresult
defmain():
string_list?=?list(string.ascii_letters?*100)
for_inrange(10000):
result?=?concatString(string_list)
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(nèi)存空間，將a和b分別復(fù)制到該新申請的內(nèi)存空間中。因此，如果要拼接?n?個字符串，會產(chǎn)生?n-1?個中間結(jié)果，每產(chǎn)生一個中間結(jié)果都需要申請和復(fù)制一次內(nèi)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(nèi)存空間，然后一次性地申請所需內(nèi)存，并將每個字符串元素復(fù)制到該內(nèi)存中去。
#?推薦寫法，代碼耗時：0.3秒
importstring
fromtypingimportList
defconcatString(string_list:?List[str])->?str:
return''.join(string_list)#?使用?join?而不是?+
defmain():
string_list?=?list(string.ascii_letters?*100)
for_inrange(10000):
result?=?concatString(string_list)
main()
5. 利用if條件的短路特性
#?不推薦寫法，代碼耗時：0.05秒
fromtypingimportList
defconcatString(string_list:?List[str])->?str:
abbreviations?=?{'cf.','e.g.','ex.','etc.','flg.','i.e.','Mr.','vs.'}
abbr_count?=0
result?=''
forstr_iinstring_list:
ifstr_iinabbreviations:
result?+=?str_i
returnresult
defmain():
for_inrange(10000):
string_list?=?['Mr.','Hat','is','Chasing','the','black','cat','.']
result?=?concatString(string_list)
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(jié)約運行時間，對于or語句，應(yīng)該將值為True可能性比較高的變量寫在or前，而and應(yīng)該推后。
#?推薦寫法，代碼耗時：0.03秒
fromtypingimportList
defconcatString(string_list:?List[str])->?str:
abbreviations?=?{'cf.','e.g.','ex.','etc.','flg.','i.e.','Mr.','vs.'}
abbr_count?=0
result?=''
forstr_iinstring_list:
ifstr_i[-1]?=='.'andstr_iinabbreviations:#?利用?if?條件的短路特性
result?+=?str_i
returnresult
defmain():
for_inrange(10000):
string_list?=?['Mr.','Hat','is','Chasing','the','black','cat','.']
result?=?concatString(string_list)
main()
6. 循環(huán)優(yōu)化
6.1 用for循環(huán)代替while循環(huán)
#?不推薦寫法。代碼耗時：6.7秒
defcomputeSum(size:?int)->?int:
sum_?=0
i?=0
whilei?<?size:
sum_?+=?i
i?+=1
returnsum_
defmain():
size?=10000
for_inrange(size):
sum_?=?computeSum(size)
main()
Python 的for循環(huán)比while循環(huán)快不少。
#?推薦寫法。代碼耗時：4.3秒
defcomputeSum(size:?int)->?int:
sum_?=0
foriinrange(size):#?for?循環(huán)代替?while?循環(huán)
sum_?+=?i
returnsum_
defmain():
size?=10000
for_inrange(size):
sum_?=?computeSum(size)
main()
6.2 使用隱式for循環(huán)代替顯式for循環(huán)
針對上面的例子，更進一步可以用隱式for循環(huán)來替代顯式for循環(huán)
#?推薦寫法。代碼耗時：1.7秒
defcomputeSum(size:?int)->?int:
returnsum(range(size))#?隱式?for?循環(huán)代替顯式?for?循環(huán)
defmain():
size?=10000
for_inrange(size):
sum?=?computeSum(size)
main()
6.3 減少內(nèi)層for循環(huán)的計算
#?不推薦寫法。代碼耗時：12.8秒
importmath
defmain():
size?=10000
sqrt?=?math.sqrt
forxinrange(size):
foryinrange(size):
z?=?sqrt(x)?+?sqrt(y)
main()
上面的代碼中sqrt(x)位于內(nèi)側(cè)for循環(huán)， 每次訓(xùn)練過程中都會重新計算一次，增加了時間開銷。
#?推薦寫法。代碼耗時：7.0秒
importmath
defmain():
size?=10000
sqrt?=?math.sqrt
forxinrange(size):
sqrt_x?=?sqrt(x)#?減少內(nèi)層?for?循環(huán)的計算
foryinrange(size):
z?=?sqrt_x?+?sqrt(y)
main()
7. 使用numba.jit
我們沿用上面介紹過的例子，在此基礎(chǔ)上使用numba.jit。?numba可以將 Python 函數(shù) JIT 編譯為機器碼執(zhí)行，大大提高代碼運行速度。關(guān)于numba的更多信息見下面的主頁：
http://numba.pydata.org/numba.pydata.org/
#?推薦寫法。代碼耗時：0.62秒
importnumba
@numba.jit
defcomputeSum(size:?float)->?int:
sum?=0
foriinrange(size):
sum?+=?i
returnsum
defmain():
size?=10000
for_inrange(size):
sum?=?computeSum(size)
main()
8. 選擇合適的數(shù)據(jù)結(jié)構(gòu)
Python 內(nèi)置的數(shù)據(jù)結(jié)構(gòu)如str,?tuple,?list,?set,?dict底層都是 C 實現(xiàn)的，速度非?？?，自己實現(xiàn)新的數(shù)據(jù)結(jié)構(gòu)想在性能上達到內(nèi)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(tài)數(shù)組。其會預(yù)分配一定內(nèi)存空間，當預(yù)分配的內(nèi)存空間用完，又繼續(xù)向其中添加元素時，會申請一塊更大的內(nèi)存空間，然后將原有的所有元素都復(fù)制過去，之后銷毀之前的內(nèi)存空間，再插入新元素。刪除元素時操作類似，當已使用內(nèi)存空間比預(yù)分配內(nèi)存空間的一半還少時，會另外申請一塊小內(nèi)存，做一次元素復(fù)制，之后銷毀原有大內(nèi)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(shù)量又很多時，list的效率不高。此時，應(yīng)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(fù)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(zhuǎn)化為一個堆，使得獲取最小值的時間復(fù)雜度是?O(1)?。
