这篇文章会提供一些优化代码的工具。会让代码变得更简洁,或者更迅速。
当然这些并不能代替算法设计,但是还是能让 Python 加速很多倍。
其实前面讲算法的文章,也有提到过。比如适用于双向队列的 deque,以及在合适的条件下运用 bisect 和 heapq 来提升算法的性能。
而且前面也提到过,Python 提供了当今最高级也是最有效的排序算法 (list.sort)。
另外还有一个功能多样又迅速的散列表 (dict)。而且如果写迭代器封装、功能性代码或者是某种额外扩展的时候,或许 CyToolz 可以用得到。当然在 itertools 和 functools 模块 中,还有很多函数可以带来很高效的代码。
这篇文章主要讲优化单处理器的代码,下面会介绍一些一些高效的函数实现,也有已经封装好的拓展模块,还包括速度更快的 Python 解释器。
当然多处理器版本确实能大幅提高运行效率。如果想了解多核编程,可以从 multiprocessing 模块开始。而且也能找到非常多的关于分布式计算的第三方工具。这里可以看一下 Python wiki 上的关于 Parallel Processing 的内容。
接下来,会说一些关于 Python 加速工具的选单。
1.NumPy、SciPy、Sage 和 Pandas
先说,NumPy。它的核心是一个多维数字数组的实现。除了这个数据结构之外,还实现了若干个函数和运算符,可以高效地进行数组运算。并且对于被调用的次数进行了精简。它可以被用来进行极其高效的数学运算。
SciPy 和 Sage 都将 NumPy 内置为自身的一部分,同时内置了其他的不同的工具,从而可以用于特定科学、数学和高性能计算的模块。
Pandas 是一个侧重于数据分析的工具。如果处理大量半结构化数据的时候,可能也会用到 Pandas 相关的工具,比如 Blaze。
2.PyPy、Pyston、Parakeet、Psyco 和 Unladen Swallow
让代码运行的更快,侵入性最小的就是使用实时编译器 (JIT 编译)。以前的话我们可以直接安装 Psyco。安装之后导入 psyco,然后调用 psyco.full()。代码运行速度就可以明显提升。运行 Python 代码的时候,它可以实时监控程序,会将一部分代码编译为了机器码。
现在好多 Psyco 等加速器的项目已经停止维护了,不过类似的功能在 PyPy 中得到了继承。
PyPy 为了方便分析、优化和翻译,用 Python 语言将 Python 重新实现了一遍,这样就可以 JIT 编译。而且 PyPy 可以直接将代码翻译成像 C 那样的性能更高的语言。
Unladen Swallow 是一个 Python 的 JIT 编译器。是 Python 解释器的一本版本,被称为底层虚拟机 (LLVM)。不过这个开发已经停止了。
Pyston 是一个与 LLVM 平台较为接近的 Python 的 JIT 编译器。很多时候已经优于 Python 的实现,但不过还有很多地方不完善。
3.GPULib、PyStream、PyCUDA 和 PyOpenCL
这四个都是用在图像处理单元来实现代码的加速。前面讲的都是用代码优化来实现加速的。而这些都是从硬件层面上进行加速,如果有一个强大的 GPU,我们可以用 GPU 来计算,从而减少 CPU 宝贵的资源。
PyStream 古老一点。GPULib 提供了基于 GPU 的各种形式的数据计算。
如果用 GPU 加速自己的代码,可以用 PyCUDA 和 PyOpenCL。
4.Pyrex、Cython、Numba 和 Shedskin
这四个项目都致力于将 Python 代码翻译为 C、C++ 和 LLVM 的代码。Shedskin 会将代码编译为 C++ 语言。Pyrex、Cython 编译的主要目标是 C 语言。Cython 也是 Pyrex 的一个分支。
而且,Cython 还有 NumPy 数组的额外支持。
如果面向数组和数学计算的时候,Numba 是更好的选择导入时会自动生成相应的 LLVM 的代码。升级版本是 NumbaPro,还提供了对 GPU 的支持。
5.SWIG、F2PY 和 Boost.Python
这些工具可以将其他的语言封装为 Python 的模块。第一个可以封装 C/C++ 语言。F2PY 可以封装 Fortran。Boost.Python 可以封装 C++ 语言。
SUIG 只要启动一个命令行工具,往里面输入 C 或者 C++ 的头文件,封装器代码就会自动生成。除了 Python,而且可以成为其他语言的封装器,比如 Java 和 PHP。
6.ctypes、llvm-py 和 CorePy2
这些模块可以帮助我们实现 Python 底层对象的操作。ctypes 模块可以用于在内存中构建编译 C 的对象。并且调用共享库中的 C 的函数。不过 ctypes 已经包含在 Python 的标准库里面了。
llvm-py 主要提供 LLVM 的 Python 接口。以便于构建代码,然后编译他们。也可以在 Python 中构建它的编译器。当然搞出自己编程语言也是可以的。
CorePy2 也可以进行加速,不过这个加速是运行在汇编层的。
7.Weave、Cinpy 和 PyInline
这三个包,就可以让我们在 Python 代码中直接使用 C 语言或者其他的高级语言。混合代码,依然可以保持整洁。可以使用 Python 代码的字符串的多行特性,可以使其他的代码按照自身的风格来进行排版。
8. 其他工具
如果我们要节省内存,就不能使用 JIT 了。一般 JIT 都太耗费内存。有一句话说的很对,时间和内存经常不能兼得,而我们在工程开发中,总是要寻找他们的平衡点。
至于其他的一些东西,比如 Micro Python 项目,这个是用在嵌入式设备或者微控制器上面使用的。
如果只是想在 Python 环境中工作,然后想用别的语言,可以看看这个项目 Julia。