猛戳加速键：你拥有这些Python加速技能吗？
上一篇 / 下一篇 2020-07-01 15:48:11 / 个人分类：软件开发
Python有时用起来确实很慢，我敢打赌你肯定抱怨过这一点，尤其是那些用惯了C，C ++或Java的人。
但其实很多时候，Python的效率并没有达到它应有的速度，有一些让它马达开足的小技巧，一起来学习吧!
1. 避免使用全局变量
import mathsize = 10000 for x in range(size): for y in range(size): z = math.sqrt(x) + math.sqrt(y) |
许多程序员一开始都会用Python语言编写一些简单的脚本。编写脚本时，通常直接使用全局变量，就像上面这段代码。
但由于全局变量和局部变量的实现方式不同，全局变量中定义的代码要比在函数中定义的函数运行起来慢得多。把脚本语句放入函数中，通常运行速度可提高15%-30%。如下所示：
import mathdef main(): size = 10000 for x in range(size): for y in range(size): z = math.sqrt(x) +math.sqrt(y)main() |
2. 避免数据重复
避免无意义的数据复制
def main(): size = 10000 for _ in range(size): value = range(size) value_list = [x for x in value] square_list = [x * x for x invalue_list]main() |
这段代码中，value_list完全没有必要，这会创建不必要的数据结构或复制。
def main(): size = 10000 for _ in range(size): value = range(size) square_list = [x * x for x invalue]main() |
另一个原因在于Python的数据共享机制过于偏执，没有很好理解或信任内存模型，例如滥用copy.deepcopy()函数。我们可以删除此类代码中的复制操作。
交换值时无需使用中间变量
def main(): size = 1000000 for _ in range(size): a = 3 b = 5 temp = a a = b b = tempmain() |
上述代码在交换值时创建了一个临时变量temp。如果没有中间变量，代码会更加简洁，运行速度也更快。
def main(): size = 1000000 for _ in range(size): a = 3 b = 5 a, bb = b, amain() |
使用字符串联方法join ，而不是'+'
import string from typing import Listdef concatString(string_list: List[str]) -> str: result = '' for str_i in string_list: result += str_i return resultdef main(): string_list =list(string.ascii_letters * 100) for _ in range(10000): result =concatString(string_list)main() |
另一要点是a+b对字符串进行拼接，由于在Python中字符串是不可变的对象，所以实际上a和b分别复制到了应用程序的新内存空间中。
因此，如果拼接n个字符串会产生“ n-1”个中间结果，则每个字符串都会产生应用和复制内存所需的中间结果，从而严重影响操作效率。
在使用join()串联字符串时，首先计算需要应用的总内存空间，然后立即申请所需的内存，再把每个字符串元素复制到内存中。
import string from typing import Listdef concatString(string_list: List[str]) -> str: return ''.join(string_list)defmain(): string_list = list(string.ascii_letters* 100) for _ in range(10000): result =concatString(string_list)main() |
3. 避免使用以下函数属性
避免访问模块和函数属性
import mathdef computeSqrt(size:int): result = [] for i in range(size): result.append(math.sqrt(i)) return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main() |
use(属性访问运算符)会触发特定方法，例如getattribute()和getattr()，这些方法将执行字典操作，会产生额外的时间消耗。
通过使用import语句，可以消除属性访问：
from math import sqrtdefcomputeSqrt(size: int): result = [] for i in range(size): result.append(sqrt(i)) return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main() |
前文中我们讨论了局部变量可以比全局变量实现更快查找，对于经常访问的变量(如sqrt)，可以通过更改为局部变量以加快操作速度。
import mathdef computeSqrt(size:int): result = [] sqrt = math.sqrt for i in range(size): result.append(sqrt(i)) return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main() |
避免类属性访问
import math from typing import Listclass DemoClass: def __init__(self, value: int): self._value = value def computeSqrt(self, size: int)-> List[float]: result = [] append = result.append sqrt = math.sqrt for _ in range(size): append(sqrt(self._value)) return resultdef main(): size = 10000 for _ in range(size): demo_instance = DemoClass(size) result =demo_instance.computeSqrt(size)main() |
避免的原理也适用于类的属性，并且访问self._value的速度要比访问局部变量的速度要慢。通过把需要频繁访问的类属性分配给局部变量，可以提高代码执行速度。
import math from typing import Listclass DemoClass: def __init__(self, value: int): self._value = value def computeSqrt(self, size: int)-> List[float]: result = [] append = result.append sqrt = math.sqrt value = self._value for _ in range(size): append(sqrt(value)) return resultdef main(): size = 10000 for _ in range(size): demo_instance = DemoClass(size) demo_instance.computeSqrt(size)main() |
4. 避免不必要的抽象
class DemoClass: def __init__(self, value: int): self.value = value@property def value(self) -> int: return self._value@value.setter def value(self, x: int): self._value = xdef main(): size = 1000000 for i in range(size): demo_instance = DemoClass(size) value = demo_instance.value demo_instance.value = imain() |
每当使用其他处理层(例如装饰器、属性访问、描述符)封装代码时，代码运行的速度也会变慢。在大多数情况下，重新检查是否有必要使用属性访问器定义是很有必要的。
使用getter/setter函数访问属性通常是被C/C++程序员遗忘的一种编码样式。如果确实没有必要，就使用简单属性就好。
class DemoClass: def __init__(self, value: int): self.value = valuedef main(): size = 1000000 for i in range(size): demo_instance = DemoClass(size) value = demo_instance.value demo_instance.value = imain() |
5. 选择合适的数据结构
众所周知，列表是Python中的动态数组。当预分配的内存空间用完时，会预分配一定的内存空间，然后继续向其中添加元素。然后复制之前的所有原始元素，形成一个新的内存空间，在插入新元素之前销毁先前的内存空间。
因此，如果频繁添加或删除，或者添加或删除的元素数量太大，列表的效率就会变低，目前最好使用collections.deque。
此双端队列具有堆栈和队列的特性，并且可以在两端以O(1)复杂度执行插入和删除操作。
列表搜索操作非常耗时。当需要频繁查找某些元素或按顺序频繁访问这些元素时，保持列表 对象有序的情况下使用二分法，使用二进制搜索以提高搜索效率，但二进制搜索仅适用于有序元素。
另一个常见的要求是找到最小值或最大值。此时，可以使用heapq模块列出转换为堆的列表，因此获取最小值的时间复杂度为O(1)。
6. 循环优化
使用 for 循环代替while 循环
def computeSum(size: int) ->int: sum_ = 0 i = 0 while i < size: sum_ += i i += 1 return sum_def main(): size = 10000 for _ in range(size): sum_ = computeSum(size)main() |
要知道，Python中的for循环要比while循环快得多。
def computeSum(size: int) ->int: sum_ = 0 for i in range(size): sum_ += i return sum_def main(): size = 10000 for _ in range(size): sum_ = computeSum(size)main() |
使用隐式for循环，而不是显式for循环
对于上面的示例，可以进一步使用隐式for循环替换显式for循环
def computeSum(size: int) ->int: return sum(range(size))def main(): size = 10000 for _ in range(size): sum = computeSum(size)main() |
减少内部循环的计算
from math import sqrtdef main(): size = 10000 for x in range(size): for y in range(size): z = sqrt(x) + sqrt(y)main() |
在上述for循环中的代码sqrt(x)中，在训练期间每次都需要进行重新计算，这会增加时间消耗。
import mathdef main(): size = 10000for x in range(size): sqrtsqrt_x = sqrt(x) for y in range(size): z = sqrt_x + sqrt(y)main() |
7. 使用 numba.jit
继续遵循上述示例，并在此基础上使用numba.jit。Python函数JIT可以编译为机器代码用以执行，这能大大提高了代码执行速度。
import numba@numba.jit def computeSum(size: float) -> int: sum = 0 for i in range(size): sum += i return sumdef main(): size = 10000 for _ in range(size): sum = computeSum(size)main() |
8. 代码优化原则
上文已经介绍了许多加速Python代码的技术。在编写代码的过程中，我们需要了解代码优化的一些基本原理，这可是“实用知识”。
第一个基本原则就是不要过早优化代码。
许多人一开始编写代码时就致力于性能优化，“加快正确程序的速度要比确保快速程序的正确运作容易得多。”优化代码的前提是确保代码可以正常工作。过早的优化可能会忽略对总体性能指标的掌握，并且在获得总体结果之前不要颠倒顺序。
第二个基本原则是权衡优化代码的成本。
优化代码是有代价的，想要解决所有性能问题几乎不可能。通常面临的选择是时间换空间或空间换时间，还需要考虑开发成本。
第三个原则是不要优化无关紧要的部分。
如果优化代码的每个部分后，这些变更会让代码变得难以阅读和理解。如果代码运行缓慢，首先必须找到代码运行缓慢的位置(通常是内部循环)，重点优化代码运行缓慢的地方。对于其他位置，时间的损失影响很小。
优化代码，让你的Python开足马力，快去实践一下吧!
TAG: