这8种Python加速运行技巧真棒

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   import math       size = 10000   for 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   import math   def main():  # 定义到函数中，以减少全部变量使用       size = 10000       for 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

# 不推荐写法。代码耗时：14.5秒   import math       def computeSqrt(size: int):       result = []       for i in range(size):           result.append(math.sqrt(i))       return result       def main():       size = 10000       for _ 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。

# 第一次优化写法。代码耗时：10.9秒   from math import sqrt       def computeSqrt(size: int):       result = []       for i in range(size):           result.append(sqrt(i))  # 避免math.sqrt的使用       return result       def main():       size = 10000       for _ in range(size):           result = computeSqrt(size)       main()   

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 math       def computeSqrt(size: int):       result = []       sqrt = math.sqrt  # 赋值给局部变量       for i in range(size):           result.append(sqrt(i))  # 避免math.sqrt的使用       return result       def main():       size = 10000       for _ 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 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   import math       def computeSqrt(size: int):       result = []       append = result.append       sqrt = math.sqrt    # 赋值给局部变量       for i in range(size):           append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用       return result       def main():       size = 10000       for _ in range(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   import math   from typing import List   class 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 result   def main():       size = 10000       for _ 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   import math   from typing import List   class 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))  # 避免 self._value 的使用           return result   def main():       size = 10000       for _ in range(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   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 = x       def main():       size = 1000000       for i in range(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   class DemoClass:       def __init__(self, value: int):           self.value = value  # 避免不必要的属性访问器       def main():       size = 1000000       for 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

# 不推荐写法，代码耗时：6.5秒   def main():       size = 10000       for _ 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，这会创建不必要的数据结构或复制。

# 推荐写法，代码耗时：4.8秒   def main():       size = 10000       for _ 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

# 不推荐写法，代码耗时：0.07秒   def main():       size = 1000000       for _ in range(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。

# 不推荐写法，代码耗时：0.07秒   def main():       size = 1000000       for _ in range(size):           a = 3           b = 5           temp = a           a = b           b = temp       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   import string   from typing import List   def concatString(string_list: List[str]) -> str:       result = ''       for str_i in string_list:           result += str_i       return result   def main():       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   import string   from typing import List   def concatString(string_list: List[str]) -> str:       return ''.join(string_list)  # 使用 join 而不是 +   def main():       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

---

# 不推荐写法，代码耗时：0.05秒   from typing import List       def concatString(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_i       return result       def main():       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，不再计算 b ；对于 if a or b 这样的语句，当 a 为 True 时将直接返回，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   from typing import List       def concatString(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[-1] == '.' and str_i in abbreviations:  # 利用 if 条件的短路特性               result += str_i       return result       def 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

# 不推荐写法。代码耗时：6.7秒   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()   

Python 的 for 循环比 while 循环快不少。

# 推荐写法。代码耗时：4.3秒   def computeSum(size: int) -> int:       sum_ = 0       for i in range(size):  # for 循环代替 while 循环           sum_ += i       return sum_   def main():       size = 10000       for _ 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   def computeSum(size: int) -> int:       return sum(range(size))  # 隐式 for 循环代替显式 for 循环       def main():       size = 10000       for _ in range(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   import math       def main():       size = 10000       sqrt = math.sqrt       for 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一次，增加了时间开销。

# 推荐写法。代码耗时：7.0秒   import math       def main():       size = 10000       sqrt = math.sqrt       for 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.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。

# 推荐写法。代码耗时：0.62秒   import numba       @numba.jit   def computeSum(size: float) -> int:       sum = 0       for i in range(size):           sum += i       return sum   def main():       size = 10000       for _ 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) 。

---

---

🎁福利🎁 全网最全《Python学习资料》免费赠送🆓！

最近火热ChatGPT 等人工智能应用对 Python 编程语言产生了积极的影响，它推动了 Python 的普及和发展，在文本处理和 NLP 领域提升了 Python 的地位，促进了 Python 生态系统的成长

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

#### **一、Python学习路线**

二、Python基础学习

1. 开发工具

2. 学习笔记

3. 学习视频

三、Python小白必备手册

四、数据分析全套资源

五、Python面试集锦

1. 面试资料

2. 简历模板

因篇幅有限，仅展示部分资料，添加上方即可获取