【教你:如何花最少的时间学习,花最少的时间优化,就可以提高代码的运行速度呢?】
Python中有全局解释器锁,他的直观含义是,一次只能处理一个线程。所以多线程是GG了,如果想要优化速度,应该是从多进程的角度考虑。一个进程包含多个线程。那么,如何花最少的时间学习,花最少的时间优化,就可以提高代码的运行速度呢?可以借助numpy来实现,如果你感兴趣了,请认真看下去。
举一个例子,我们用numpy生成一个1000000*1的随机数矩阵,我们需要对这100万个数做一个简单的逻辑判断与计算。相信,正常情况下,你们会定义这个函数,并单纯使用for loop来写:
import numpy as np
x = np.random.rand(1000000)
#for loop
def f(x):
if x<0.5:
return x
else:
return x**2
start=datetime.datetime.now()
y=np.full([x.shape[0],1],np.nan)
for i in range(x.shape[0]):
y[i]=f(x[1])
end=datetime.datetime.now()
print("For loop cost %s microseconds"%str((end-start).microseconds))
但是可以看到,这样写的效率很低,需要较长的运行时间。而效率低的原因是:CPU使用率低,即没有并行。