python优化提速技巧

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, b = 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 Listdef 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 resultdef 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 mathdef 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 mathdef 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。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) ：
sum = 0
for i in range(size):
sum += i return sum
def main():
size = 10000
for _ in range(size):
sum = computeSum(size)
main()