代码跑得慢甩锅Python?手把手教你如何给代码提速30%

发表于:2020-1-15 09:24

字体: | 上一篇 | 下一篇 | 我要投稿

 作者:佚名    来源:大数据文摘

#
Python
分享:
  Python已经得到了全球程序员的喜爱,但是还是遭到一些人的诟病,原因之一就是认为它运行缓慢。
  其实某个特定程序(无论使用何种编程语言)的运行速度是快还是慢,在很大程度上取决于编写该程序的开发人员自身素质,以及他们编写优化而高效代码的能力。
  Medium上一位小哥就详细讲了讲如何让python提速30%,以此证明代码跑得慢不是python的问题,而是代码本身的问题。
  时序分析
  在开始进行任何优化之前,我们首先需要找出代码的哪些部分使整个程序变慢。有时程序的问题很明显,但是如果你一时不知道问题出在哪里,那么这里有一些可能的选项:
  注意:这是我将用于演示的程序,它将进行指数计算(取自Python文档):
   # slow_program.py
  from decimal import *
  def exp(x):
  getcontext().prec += 2
  i, lasts, s, fact, num = 0, 0, 1, 1, 1
  while s != lasts:
  lasts = s
  i += 1
  fact *= i
  num *= x
  s += num / fact
  getcontext().prec -= 2
  return +s
  exp(Decimal(150))
  exp(Decimal(400))
  exp(Decimal(3000))
  最简约的“配置文件”
  首先,最简单最偷懒的方法——Unix时间命令。
   ~ $ time python3.8 slow_program.py
  real  0m11,058s
  user 0m11,050s
  sys 0m0,008s
  如果你只能直到整个程序的运行时间,这样就够了,但通常这还远远不够。
  最详细的分析
  另外一个指令是cProfile,但是它提供的信息过于详细了。
   ~ $ python3.8 -m cProfile -s time slow_program.py
  1297 function calls (1272 primitive calls) in 11.081 seconds
  Ordered by: internal time
  ncalls tottime percall cumtime percall filename:lineno(function)
  3   11.079    3.693   11.079    3.693 slow_program.py:4(exp)
  1    0.000    0.000    0.002    0.002 {built-in method _imp.create_dynamic}
  4/1    0.000    0.000   11.081   11.081 {built-in method builtins.exec}
  6    0.000    0.000    0.000    0.000 {built-in method __new__ of type object at 0x9d12c0}
  6    0.000    0.000    0.000    0.000 abc.py:132(__new__)
  23    0.000    0.000    0.000    0.000 _weakrefset.py:36(__init__)
  245    0.000    0.000    0.000    0.000 {built-in method builtins.getattr}
  2    0.000    0.000    0.000    0.000 {built-in method marshal.loads}
  10    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:1233(find_spec)
  8/4    0.000    0.000    0.000    0.000 abc.py:196(__subclasscheck__)
  15    0.000    0.000    0.000    0.000 {built-in method posix.stat}
  6    0.000    0.000    0.000    0.000 {built-in method builtins.__build_class__}
  1    0.000    0.000    0.000    0.000 __init__.py:357(namedtuple)
  48    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:57(_path_join)
  48    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:59(<listcomp>)
  1    0.000    0.000   11.081   11.081 slow_program.py:1(<module>)
  在这里,我们使用cProfile模块和time参数运行测试脚本,以便按内部时间(cumtime)对行进行排序。这给了我们很多信息,你在上面看到的行大约是实际输出的10%。由此可见,exp函数是罪魁祸首,现在我们可以更详细地了解时序和性能分析。
  时序特定功能
  现在我们知道了应当主要关注哪里,我们可能想对运行速度缓慢的函数计时,而不用测量其余的代码。为此,我们可以使用一个简单的装饰器:
   def timeit_wrapper(func):
  @wraps(func)
  def wrapper(*args, **kwargs):
  start = time.perf_counter() # Alternatively, you can use time.process_time()
  funcfunc_return_val = func(*args, **kwargs)
  end = time.perf_counter()
  print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start))
  return func_return_val
  return wrapper
  然后可以将此装饰器应用于待测功能,如下所示:
   @timeit_wrapper
  def exp(x):
  ...
  print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time'))
  exp(Decimal(150))
  exp(Decimal(400))
  exp(Decimal(3000))
  这给出我们如下输出:
   ~ $ python3.8 slow_program.py
  module function   time
  __main__ .exp      : 0.003267502994276583
  __main__ .exp      : 0.038535295985639095
  __main__ .exp      : 11.728486061969306
  需要考虑的一件事是我们实际想要测量的时间。时间包提供time.perf_counter和time.process_time两个函数。他们的区别在于perf_counter返回的绝对值,包括你的Python程序进程未运行时的时间,因此它可能会受到计算机负载的影响。另一方面,process_time仅返回用户时间(不包括系统时间),这仅是你的过程时间。
  加速吧!
  让Python程序运行得更快,这部分会很有趣!我不会展示可以解决你的性能问题的技巧和代码,更多地是关于构想和策略的,这些构想和策略在使用时可能会对性能产生巨大影响,在某些情况下,可以将速度提高30%。
  使用内置数据类型
  这一点很明显。内置数据类型非常快,尤其是与我们的自定义类型(例如树或链接列表)相比。这主要是因为内置程序是用C实现的,因此在使用Python进行编码时我们的速度实在无法与之匹敌。
  使用lru_cache缓存/记忆
  我已经在上一篇博客中展示了此内容,但我认为值得用简单的示例来重复它:
   import functools
  import time
  # caching up to 12 different results
  @functools.lru_cache(maxsize=12)
  def slow_func(x):
  time.sleep(2) # Simulate long computation
  return x
  slow_func(1) # ... waiting for 2 sec before getting result
  slow_func(1) # already cached - result returned instantaneously!
  slow_func(3) # ... waiting for 2 sec before getting result
  上面的函数使用time.sleep模拟大量计算。第一次使用参数1调用时,它将等待2秒钟,然后才返回结果。再次调用时,结果已经被缓存,因此它将跳过函数的主体并立即返回结果。有关更多实际示例,请参见以前的博客文章
  使用局部变量
  这与在每个作用域中查找变量的速度有关,因为它不只是使用局部变量还是全局变量。实际上,即使在函数的局部变量(最快),类级属性(例如self.name——较慢)和全局(例如,导入的函数)如time.time(最慢)之间,查找速度实际上也有所不同。
  你可以通过使用看似不必要的分配来提高性能,如下所示:
   # Example #1
  class FastClass:
  def do_stuff(self):
  temp = self.value # this speeds up lookup in loop
  for i in range(10000):
  ... # Do something with `temp` here
  # Example #2
  import random
  def fast_function():
  r = random.random
  for i in range(10000):
  print(r()) # calling `r()` here, is faster than global random.random()
  使用函数
  这似乎违反直觉,因为调用函数会将更多的东西放到堆栈上,并从函数返回中产生开销,但这与上一点有关。如果仅将整个代码放在一个文件中而不将其放入函数中,则由于全局变量,它的运行速度会慢得多。因此,你可以通过将整个代码包装在main函数中并调用一次来加速代码,如下所示:
   def main():
  ... # All your previously global code
  main()
  不访问属性
  可能会使你的程序变慢的另一件事是点运算符(.),它在获得对象属性时被使用。此运算符使用__getattribute__触发字典查找,这会在代码中产生额外的开销。那么,我们如何才能真正避免(限制)使用它呢?
   # Slow:
  import re
  def slow_func():
  for i in range(10000):
  re.findall(regex, line) # Slow!
  # Fast:
  from re import findall
  def fast_func():
  for i in range(10000):
  findall(regex, line) # Faster!
  当心字符串
  使用模数(%s)或.format()进行循环运行时,字符串操作可能会变得非常慢。我们有什么更好的选择?根据雷蒙德·海廷格(Raymond Hettinger)最近的推特,我们唯一应该使用的是f字符串,它是最易读,最简洁且最快的方法。根据该推特,这是你可以使用的方法列表——最快到最慢:
   f'{s} {t}'  # Fast!
  s + ' ' + t
  ' '.join((s, t))
  '%s %s' % (s, t)
  '{} {}'.format(s, t)
  Template('$s $t').substitute(ss=s, tt=t) # Slow!
  生成器本质上并没有更快,因为它们被允许进行延迟计算,从而节省了内存而不是时间。但是,保存的内存可能会导致你的程序实际运行得更快。这是怎么做到的?如果你有一个很大的数据集,而没有使用生成器(迭代器),那么数据可能会溢出CPU L1缓存,这将大大减慢内存中值的查找速度。
  在性能方面,非常重要的一点是CPU可以将正在处理的所有数据尽可能地保存在缓存中。你可以观看Raymond Hettingers的视频,他在其中提到了这些问题。
  结论
  优化的首要规则是不要优化。但是,如果确实需要,那么我希望上面这些技巧可以帮助你。但是,在优化代码时要小心,因为它可能最终使你的代码难以阅读,因此难以维护,这可能超过优化的好处。

      本文内容不用于商业目的,如涉及知识产权问题,请权利人联系博为峰小编(021-64471599-8017),我们将立即处理
《2023软件测试行业现状调查报告》独家发布~

关注51Testing

联系我们

快捷面板 站点地图 联系我们 广告服务 关于我们 站长统计 发展历程

法律顾问:上海兰迪律师事务所 项棋律师
版权所有 上海博为峰软件技术股份有限公司 Copyright©51testing.com 2003-2024
投诉及意见反馈:webmaster@51testing.com; 业务联系:service@51testing.com 021-64471599-8017

沪ICP备05003035号

沪公网安备 31010102002173号