8个让你事半功倍的Python小技巧,学到就是赚到

12 篇文章 0 订阅
4 篇文章 0 订阅

 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。

         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() 

  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  

  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  

  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。 

 # 推荐写法,代码耗时:0.06秒  

  def main():  

      size = 1000000  

      for _ in range(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  

  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):  

          sqrtsqrt_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。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  

  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)。

最后,为方便大家自学软件测试,将我自己学习的资料分享给大家,准备了一份13G的超实用干货学习资源,涉及的内容非常全面。需要的朋友们评论或者是私信大白哦

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值