在我看来,python社区分为了三个流派,分别是python 2.x组织,3.x组织和PyPy组织。这个分类基本上可以归根于类库的兼容性和速度。这篇文章将聚焦于一些通用代码的优化技巧以及编译成C后性能的显著提升,当然我也会给出三大主要python流派运行时间。我的目的不是为了证明一个比另一个强,只是为了让你知道如何在不同的环境下使用这些具体例子作比较。
使用生成器
一个普遍被忽略的内存优化是生成器的使用。生成器让我们创建一个函数一次只返回一条记录,而不是一次返回所有的记录,如果你正在使用python2.x,这就是你为啥使用xrange替代range或者使用ifilter替代filter的原因。一个很好地例子就是创建一个很大的列表并将它们拼合在一起。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import
timeit
import
random
def
generate(num):
while
num:
yield
random.randrange(
10
)
num
-
=
1
def
create_list(num):
numbers
=
[]
while
num:
numbers.append(random.randrange(
10
))
num
-
=
1
return
numbers
print
(timeit.timeit(
"sum(generate(999))"
, setup
=
"from __main__ import generate"
, number
=
1000
))
>>>
0.88098192215
#Python 2.7
>>>
1.416813850402832
#Python 3.2
print
(timeit.timeit(
"sum(create_list(999))"
, setup
=
"from __main__ import create_list"
, number
=
1000
))
>>>
0.924163103104
#Python 2.7
>>>
1.5026731491088867
#Python 3.2
|
这不仅是快了一点,也避免了你在内存中存储全部的列表!
Ctypes的介绍
对于关键性的性能代码python本身也提供给我们一个API来调用C方法,主要通过 ctypes来实现,你可以不写任何C代码来利用ctypes。默认情况下python提供了预编译的标准c库,我们再回到生成器的例子,看看使用ctypes实现花费多少时间。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import
timeit
from
ctypes
import
cdll
def
generate_c(num):
#Load standard C library
libc
=
cdll.LoadLibrary(
"libc.so.6"
)
#Linux
#libc = cdll.msvcrt #Windows
while
num:
yield
libc.rand()
%
10
num
-
=
1
print
(timeit.timeit(
"sum(generate_c(999))"
, setup
=
"from __main__ import generate_c"
, number
=
1000
))
>>>
0.434374809265
#Python 2.7
>>>
0.7084300518035889
#Python 3.2
|
仅仅换成了c的随机函数,运行时间减了大半!现在如果我告诉你我们还能做得更好,你信吗?
Cython的介绍
Cython 是python的一个超集,允许我们调用C函数以及声明变量来提高性能。尝试使用之前我们需要先安装Cython.
1
|
sudo pip install cython
|
Cython 本质上是另一个不再开发的类似类库Pyrex的分支,它将我们的类Python代码编译成C库,我们可以在一个python文件中调用。对于你的python文件使用.pyx后缀替代.py后缀,让我们看一下使用Cython如何来运行我们的生成器代码。
1
2
3
4
5
6
7
|
#cython_generator.pyx
import
random
def
generate(num):
while
num:
yield
random.randrange(
10
)
num
-
=
1
|
我们需要创建个setup.py以便我们能获取到Cython来编译我们的函数。
1
2
3
4
5
6
7
8
|
from
distutils.core
import
setup
from
distutils.extension
import
Extension
from
Cython.Distutils
import
build_ext
setup(
cmdclass
=
{
'build_ext'
: build_ext},
ext_modules
=
[Extension(
"generator"
, [
"cython_generator.pyx"
])]
)
|
编译使用:
1
|
python setup.py build_ext
-
-
inplace
|
你应该可以看到两个文件cython_generator.c 文件 和 generator.so文件,我们使用下面方法测试我们的程序:
1
2
3
|
import
timeit
print
(timeit.timeit(
"sum(generator.generate(999))"
, setup
=
"import generator"
, number
=
1000
))
>>>
0.835658073425
|
还不赖,让我们看看是否还有可以改进的地方。我们可以先声明“num”为整形,接着我们可以导入标准的C库来负责我们的随机函数。
1
2
3
4
5
6
7
8
|
#cython_generator.pyx
cdef extern
from
"stdlib.h"
:
int
c_libc_rand
"rand"
()
def
generate(
int
num):
while
num:
yield
c_libc_rand()
%
10
num
-
=
1
|
如果我们再次编译运行我们会看到这一串惊人的数字。
1
|
>>>
0.033586025238
|
仅仅的几个改变带来了不赖的结果。然而,有时这个改变很乏味,因此让我们来看看如何使用规则的python来实现吧。
PyPy的介绍PyPy 是一个Python2.7.3的即时编译器,通俗地说这意味着让你的代码运行的更快。Quora在生产环境中使用了PyPy。PyPy在它们的下载页面有一些安装说明,但是如果你使用的Ubuntu系统,你可以通过apt-get来安装。它的运行方式是立即可用的,因此没有疯狂的bash或者运行脚本,只需下载然后运行即可。让我们看看我们原始的生成器代码在PyPy下的性能如何。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import
timeit
import
random
def
generate(num):
while
num:
yield
random.randrange(
10
)
num
-
=
1
def
create_list(num):
numbers
=
[]
while
num:
numbers.append(random.randrange(
10
))
num
-
=
1
return
numbers
print
(timeit.timeit(
"sum(generate(999))"
, setup
=
"from __main__ import generate"
, number
=
1000
))
>>>
0.115154981613
#PyPy 1.9
>>>
0.118431091309
#PyPy 2.0b1
print
(timeit.timeit(
"sum(create_list(999))"
, setup
=
"from __main__ import create_list"
, number
=
1000
))
>>>
0.140175104141
#PyPy 1.9
>>>
0.140514850616
#PyPy 2.0b1
|
哇!没有修改一行代码运行速度是纯python实现的8倍。
进一步测试为什么还要进一步研究?PyPy是冠军!并不全对。虽然大多数程序可以运行在PyPy上,但是还是有一些库没有被完全支持。而且,为你的项目写C的扩展相比换一个编译器更加容易。让我们更加深入一些,看看ctypes如何让我们使用C来写库。我们来测试一下归并排序和计算斐波那契数列的速度。下面是我们要用到的C代码(functions.c):
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
/* functions.c */
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
inline
void
merge (
int
*left,
int
l_len,
int
*right,
int
r_len,
int
*out)
{
int
i, j, k;
for
(i = j = k = 0; i < l_len && j < r_len;)
out[k++] = left[i] < right[j] ? left[i++] : right[j++];
while
(i < l_len)
out[k++] = left[i++];
while
(j < r_len)
out[k++] = right[j++];
}
/* inner recursion of merge sort */
void
recur (
int
*buf,
int
*tmp,
int
len)
{
int
l = len / 2;
if
(len <= 1)
return
;
/* note that buf and tmp are swapped */
recur (tmp, buf, l);
recur (tmp + l, buf + l, len - l);
merge (tmp, l, tmp + l, len - l, buf);
}
/* preparation work before recursion */
void
merge_sort (
int
*buf,
int
len)
{
/* call alloc, copy and free only once */
int
*tmp =
malloc
(
sizeof
(
int
) * len);
memcpy
(tmp, buf,
sizeof
(
int
) * len);
recur (buf, tmp, len);
free
(tmp);
}
int
fibRec (
int
n)
{
if
(n < 2)
return
n;
else
return
fibRec (n - 1) + fibRec (n - 2);
}
|
在Linux平台,我们可以用下面的方法把它编译成一个共享库:
1
2
|
gcc
-
Wall
-
fPIC
-
c functions.c
gcc
-
shared
-
o libfunctions.so functions.o
|
使用ctypes, 通过加载”libfunctions.so”这个共享库,就像我们前边对标准C库所作的那样,就可以使用这个库了。这里我们将要比较Python实现和C实现。现在我们开始计算斐波那契数列:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
# functions.py
from
ctypes
import
*
import
time
libfunctions
=
cdll.LoadLibrary(
"./libfunctions.so"
)
def
fibRec(n):
if
n <
2
:
return
n
else
:
return
fibRec(n
-
1
)
+
fibRec(n
-
2
)
start
=
time.time()
fibRec(
32
)
finish
=
time.time()
print
(
"Python: "
+
str
(finish
-
start))
# C Fibonacci
start
=
time.time()
x
=
libfunctions.fibRec(
32
)
finish
=
time.time()
print
(
"C: "
+
str
(finish
-
start))
|
正如我们预料的那样,C比Python和PyPy更快。我们也可以用同样的方式比较归并排序。
我们还没有深挖Cypes库,所以这些例子并没有反映python强大的一面,Cypes库只有少量的标准类型限制,比如int型,char数组,float型,字节(bytes)等等。默认情况下,没有整形数组,然而通过与c_int相乘(ctype为int类型)我们可以间接获得这样的数组。这也是代码第7行所要呈现的。我们创建了一个c_int数组,有关我们数字的数组并分解打包到c_int数组中
主要的是c语言不能这样做,而且你也不想。我们用指针来修改函数体。为了通过我们的c_numbers的数列,我们必须通过引用传递merge_sort功能。运行merge_sort后,我们利用c_numbers数组进行排序,我已经把下面的代码加到我的functions.py文件中了。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
#Python Merge Sort
from
random
import
shuffle, sample
#Generate 9999 random numbers between 0 and 100000
numbers
=
sample(
range
(
100000
),
9999
)
shuffle(numbers)
c_numbers
=
(c_int
*
len
(numbers))(
*
numbers)
from
heapq
import
merge
def
merge_sort(m):
if
len
(m) <
=
1
:
return
m
middle
=
len
(m)
/
/
2
left
=
m[:middle]
right
=
m[middle:]
left
=
merge_sort(left)
right
=
merge_sort(right)
return
list
(merge(left, right))
start
=
time.time()
numbers
=
merge_sort(numbers)
finish
=
time.time()
print
(
"Python: "
+
str
(finish
-
start))
#C Merge Sort
start
=
time.time()
libfunctions.merge_sort(byref(c_numbers),
len
(numbers))
finish
=
time.time()
print
(
"C: "
+
str
(finish
-
start))
|
1
2
3
4
5
6
7
8
|
Python:
0.190635919571
#Python 2.7
Python:
0.11785483360290527
#Python 3.2
Python:
0.266992092133
#PyPy 1.9
Python:
0.265724897385
#PyPy 2.0b1
C:
0.00201296806335
#Python 2.7 + ctypes
C:
0.0019741058349609375
#Python 3.2 + ctypes
C:
0.0029308795929
#PyPy 1.9 + ctypes
C:
0.00287103652954
#PyPy 2.0b1 + ctypes
|
这儿通过表格和图标来比较不同的结果。
Merge Sort | Fibonacci | |
---|---|---|
Python 2.7 | 0.191 | 1.187 |
Python 2.7 + ctypes | 0.002 | 0.044 |
Python 3.2 | 0.118 | 1.272 |
Python 3.2 + ctypes | 0.002 | 0.046 |
PyPy 1.9 | 0.267 | 0.564 |
PyPy 1.9 + ctypes | 0.003 | 0.048 |
PyPy 2.0b1 | 0.266 | 0.567 |
PyPy 2.0b1 + ctypes | 0.003 | 0.046 |
希望你利用C和PyPy优化你的python代码并以此为敲门砖找到一个好职位。像往常一样如果你有任何意见或问题,请随时把评论下载下面或者在我的网页上与我取得联系。感谢您的阅读!