首页 / 知识
如何提速优化python代码?
2023-11-12 13:38:00
Python是一种脚本语言，相比C/C++这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python的效率并没有想象中的那么夸张。本文对一些Python代码加速运行的技巧进行整理。
0.代码优化原则
本文会介绍不少的Python代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。
第一个基本原则是不要过早优化。很多人一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，在得到全局结果前不要主次颠倒。
第二个基本原则是权衡优化的代价。优化是有代价的，想解决所有性能的问题是几乎不可能的。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。
第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化，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，一点时间上的损失没有什么影响。
1.避免全局变量
#不推荐写法。代码耗时：26.8秒
importmath
size=10000
forxinrange(size):
foryinrange(size):
z=math.sqrt(x)+math.sqrt(y)
许多程序员刚开始会用Python语言写一些简单的脚本，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不同，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不少。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
importmath
defmain():#定义到函数中，以减少全部变量使用
size=10000
forxinrange(size):
foryinrange(size):
z=math.sqrt(x)+math.sqrt(y)
main()
2.避免.
2.1避免模块和函数属性访问
#不推荐写法。代码耗时：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.(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fromimport语句，可以消除属性访问。
#第一次优化写法。代码耗时：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
importmath
defcomputeSqrt(size:int):
result=[]
sqrt=math.sqrt#赋值给局部变量
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函数中还有.的存在，那就是调用list的append方法。通过将该方法赋值给一个局部变量，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
importmath
defcomputeSqrt(size:int):
result=[]
append=result.append
sqrt=math.sqrt#赋值给局部变量
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避免类内属性访问
#不推荐写法。代码耗时：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.的原则也适用于类内属性，访问self._value的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度。
#推荐写法。代码耗时：8.0秒
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
#不推荐写法，代码耗时：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#避免不必要的属性访问器
defmain():
size=1000000
foriinrange(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
#不推荐写法，代码耗时：6.5秒
defmain():
size=10000
for_inrange(size):
value=range(size)
value_list=[xforxinvalue]
square_list=[x*xforxinvalue_list]
main()
上面的代码中value_list完全没有必要，这会创建不必要的数据结构或复制。
#推荐写法，代码耗时：4.8秒
defmain():
size=10000
for_inrange(size):
value=range(size)
square_list=[x*xforxinvalue]#避免无意义的复制
main()
另外一种情况是对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交换值时不使用中间变量
#不推荐写法，代码耗时：0.07秒
defmain():
size=1000000
for_inrange(size):
a=3
b=5
temp=a
a=b
b=temp
main()
上面的代码在交换值时创建了一个临时变量temp，如果不借助中间变量，代码更为简洁、且运行速度更快。
#推荐写法，代码耗时：0.06秒
defmain():
size=1000000
for_inrange(size):
a=3
b=5
a,bb=b,a#不借助中间变量
main()
4.3字符串拼接用join而不是+
#不推荐写法，代码耗时：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()
当使用a+b拼接字符串时，由于Python中字符串是不可变对象，其会申请一块内存空间，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n-1个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。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，然后一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
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条件的短路特性
#不推荐写法，代码耗时：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条件的短路特性是指对ifaandb这样的语句，当a为False时将直接返回，不再计算b;对于ifaorb这样的语句，当a为True时将直接返回，不再计算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
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条件的短路特性
result+=str_i
returnresult
defmain():
for_inrange(10000):
string_list=['Mr.','Hat','is','Chasing','the','black','cat','.']
result=concatString(string_list)
main()
6.循环优化
6.1用for循环代替while循环
#不推荐写法。代码耗时：6.7秒
defcomputeSum(size:int)->int:
sum_=0
i=0
whilei sum_+=i i+=1 returnsum_ defmain(): size=10000 for_inrange(size): sum_=computeSum(size) main() Python的for循环比while循环快不少。 #推荐写法。代码耗时：4.3秒 defcomputeSum(size:int)->int: sum_=0 foriinrange(size):#for循环代替while循环 sum_+=i returnsum_ defmain(): size=10000 for_inrange(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，更进一步可以用隐式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: returnsum(range(size))#隐式for循环代替显式for循环 defmain(): size=10000 for_inrange(size): sum=computeSum(size) main() 6.3减少内层for循环的计算 #不推荐写法。代码耗时：12.8秒 importmath defmain(): size=10000 sqrt=math.sqrt forxinrange(size): foryinrange(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一次，增加了时间开销。 #推荐写法。代码耗时：7.0秒 importmath defmain(): size=10000 sqrt=math.sqrt forxinrange(size): sqrtsqrt_x=sqrt(x)#减少内层for循环的计算 foryinrange(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.jit。numba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的更多信息见下面的主页：http://numba.pydata.org/numba.pydata.org #推荐写法。代码耗时：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.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不可能的。 list类似于C++中的std::vector，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之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一半还少时，会另外申请一块小内存，做一次元素复制，之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的效率不高。此时，应该考虑使用collections.deque。collections.deque是双端队列，同时具备栈和队列的特性，能够在两端进行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。 另外一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转化为一个堆，使得获取最小值的时间复杂度是O(1)。 以上内容为大家介绍了如何提速优化python代码?，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注多测师。http://www.mobiletrain.org/xwzx/
最新内容
相关内容
Python网络编程调用接收数据的三种
Python网络编程调用接收数据的三种方法，数据，代码，基础，通用，通讯，服务，网络，培训，方法，报文，最近在使用python进行网络编程开发一个通用的tc
For循环如何在Python中工作
For循环如何在Python中工作，工作，项目，代码，培训，流程，示例，序列，语句，语法，实际，Python的for循环通过遍历数组的序列来工作。从本质上讲，它在
为何你的Python代码应是扁平与稀疏
为何你的Python代码应是扁平与稀疏的，代码，培训，信息，观察，设计，工具，嵌套，闻闻，程序员，沉思，Python之禅之所以得名，正是由于它那简明扼要的规
数据科学中必须了解的Python核心库
数据科学中必须了解的Python核心库，数据，生产，代码，标准，分析，培训，图片，工具，统一，涉足，python有三个核心数据科学库，在此基础上还创建了许多
Python集合和时间复杂度
Python集合和时间复杂度，项目，时间，数据，数字，照片，情况，通用，培训，平均，表示，在本文的这一部分中，我将记录CPython中的常见集合，然后概述它们Python变量数据类型的转换
Python变量数据类型的转换，代码，数据，培训，信息，字符串，类型，变量，整数，浮点，函数，虽然Python是弱类型编程语言，不需要像Java或C语言那样还要
Python元类之通过元类实现数据库OR
Python元类之通过元类实现数据库ORM框架，数据，名称，信息，代码，主体，当中，字段，分析，一致，投入，ORM框架是什么如果是没有做过后端的小伙伴上来简述Python数据库三大范式?
简述Python数据库三大范式?，数据，设计，公司，信息，培训，数据库，字段，范式，订单，关系，python数据库的三大特性：实体:表属性：表中的数据(字段)关系
python阅读代码有助于养成优秀的代
python阅读代码有助于养成优秀的代码风格，代码，培训，统一，项目，名字，风格，注释，可读性，顾名思义，成份，“优秀的代码不需要文档”，这句话虽然说
python如何导入txt数据库?
python如何导入txt数据库?，数据，时间，代码，培训，数据库，函数，读数，数据表，以上，方法，python将TXT数据导入数据库的方法代码如下：#!/usr/bin/py
python获取当前时间日期有哪些方法
python获取当前时间日期有哪些方法?，时间，标准，星期六，培训，日期，微秒，结果，模块，星期，格式，获取到时间也是我们在学习python遇到的常见问题，
python怎样获取json数据类型?
python怎样获取json数据类型?，培训，数据类型，类型，正则，火狐，以上，方法，更多，内容，列表，python中获取json不同数据类型的方法：1、获取"key"：v