前言
Python执行速度慢,相信大家一致很困扰。这篇文章这里就为大家带来经过我百万次测试执行,从而得到的提升python性能的15个小方法
计算方法耗时
一般计算耗时的库就是time和timeit两个。
其中,time库中有:
time()、perf_counter()、process_time()
time():
- 函数返回自1970年1月1日0点以来经过的秒数
- 函数定义在头文件<time.h>中,原型是:time_t time(time_t *arg);
- time()返回的数字可以转换为更常见的时间格式(即年,月,日,小时等),方法是将其传递给gmtime()函数或在本地时间传递给本地时间( )功能。
perf_counter():
- perf_counter()是第三方库time的函数
- perf_counter()返回当前的计算机系统时间
- 只有连续两次perf_counter()进行差值才能有意义,一般用于计算程序运行时间。
process_time():
- 返回当前进程的系统和用户CPU时间总和的值(以小数 秒 为单位)作为浮点数。
- 通常time.process_time()也用在测试代码时间上,根据定义,它在整个过程中。返回值的参考点未定义,因此我们测试代码的时候需要调用两次,做差值。
- 注意 process_time()不包括sleep()休眠时间 期间经过的时间。
三个函数可用来计时器(s),加后缀_ns表示以纳秒计时(自 Python3.7 始)。在此之前还有clock()函数,但是在 Python3.3 之后被移除了。上述三者的区别如下:
-
time() :精度上相对没有那么高,而且受系统的影响,适合表示日期时间或者大程序的计时。
-
perf_counter() :适合小一点的程序测试,会计算sleep()时间。
-
process_time() :适合小一点的程序测试,不计算sleep()时间。
与time库相比,timeit 有两个优点:
- timeit 会根据您的操作系统和 Python 版本选择最佳计时器。
- timeit 在计时期间会暂时禁用垃圾回收。
timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000, globals=None)
参数说明:
- stmt=‘pass’:需要计时的语句或者函数。
- setup=‘pass’:执行stmt之前要运行的代码。通常,它用于导入一些模块或声明一些必要的变量。
- timer=:计时器函数,默认为time.perf_counter()。
- number=1000000:执行计时语句的次数,默认为一百万次。
- globals=None:指定执行代码的命名空间。
(所以本文计时均采用timeit方法,且采用默认的执行次数一百万次)
1. 关于函数映射
执行问题1:将字符串数组中的小写字母转为大写字母。
#测试数组为
oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一:
newlist = []
for word in oldlist:
newlist.append(word.upper())
方法二:
list(map(str.upper, oldlist))
结论:
方法一耗时 0.5267724000000005s
方法二耗时 0.41462569999999843s
性能提升百分比 21.29%
2.使用set()求交集
执行问题2:求两个list的交集。
# 测试数组:
a = [1,2,3,4,5],b = [2,4,6,8,10]。
方法一:
overlaps = []
for x in a:
for y in b:
if x == y:
overlaps.append(x)
方法二:
list(set(a) & set(b))
方法一耗时 0.9507264000000006s
方法二耗时 0.6148200999999993s
性能提升百分比 35.33%
描述:关于set()的语法:|、&、-分别表示求并集、交集、差集。
3.使用sort()或sorted()排序
我们可以通过多种方式对序列进行排序,但其实自己编写排序算法的方法有些得不偿失。因为内置的 sort()或 sorted() 方法已经足够优秀了,且利用参数key可以实现不同的功能,非常灵活。二者的区别是sort()方法仅被定义在list中,而sorted()是全局方法对所有的可迭代序列都有效。
执行问题3:分别使用快排和sort()方法对同一列表排序。
测试数组:lists = [2,1,4,3,0]。
方法一
def quick_sort(lists,i,j):
if i >= j:
return list
pivot = lists[i]
low = i
high = j
while i < j:
while i < j and lists[j] >= pivot:
j -= 1
lists[i]=lists[j]
while i < j and lists[i] <=pivot:
i += 1
lists[j]=lists[i]
lists[j] = pivot
quick_sort(lists,low,i-1)
quick_sort(lists,i+1,high)
return lists
方法二
lists.sort()
方法一耗时 2.4796975000000003s
方法二耗时 0.05551999999999424s
性能提升百分比 97.76%
顺带一提,sorted()方法耗时 0.1339823999987857s。
可以看出,sort()作为list专属的排序方法还是很强的,sorted()虽然比前者慢一点,但是胜在它“不挑食”,它对所有的可迭代序列都有效。
扩展:如何定义sort()或sorted()方法的key❓
通过lambda定义
#学生:(姓名,成绩,年龄)
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key = lambda student: student[0]) #根据姓名排序
sorted(students, key = lambda student: student[0])
通过operator定义
import operator
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key=operator.itemgetter(0))
sorted(students, key = operator.itemgetter(1, 0)) #先对成绩排序,再对姓名排序
operator的itemgetter()适用于普通数组排序,attrgetter()适用于对象数组排序
通过cmp_to_key()定义,最为灵活
import functools
def cmp(a,b):
if a[1] != b[1]:
return -1 if a[1] < b[1] else 1 #先按照成绩升序排序
elif a[0] != b[0]:
return -1 if a[0] < b[0] else 1 #成绩相同,按照姓名升序排序
else:
return -1 if a[2] > b[2] else 1 #成绩姓名都相同,按照年龄降序排序
students = [('john', 'A', 15),('john', 'A', 14),('jane', 'B', 12),('dave', 'B', 10)]
sorted(students, key = functools.cmp_to_key(cmp))
4.使用collections.Counter()计数
执行问题4:统计字符串中每个字符出现的次数。
测试数组:sentence=‘life is short, i choose python’。
方法一
counts = {}
for char in sentence:
counts[char] = counts.get(char, 0) + 1
方法二
from collections import Counter
Counter(sentence)
方法一耗时 2.8105250000000055s
方法二耗时 1.6317423000000062s
性能提升百分比 41.94%
5.使用列表推导
列表推导(list comprehension)短小精悍。在小代码片段中,可能没有太大的区别。但是在大型开发中,它可以节省一些时间。
执行问题5:对列表中的奇数求平方,偶数不变。
测试数组:oldlist = range(10)。
方法一
newlist = []
for x in oldlist:
if x % 2 == 1:
newlist.append(x**2)
方法二
[x**2 for x in oldlist if x%2 == 1]
方法一耗时 1.5342976000000021s
方法二耗时 1.4181957999999923s
性能提升百分比 7.57%
6.使用 join() 连接字符串
大多数人都习惯使用+来连接字符串。但其实,这种方法非常低效。因为,+操作在每一步中都会创建一个新字符串并复制旧字符串。更好的方法是用 join() 来连接字符串。关于字符串的其他操作,也尽量使用内置函数,如isalpha()、isdigit()、startswith()、endswith()等。
执行问题6:将字符串列表中的元素连接起来。
测试数组:oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。
方法一
sentence = ""
for word in oldlist:
sentence += word
方法二
"".join(oldlist)
方法一耗时 0.27489080000000854s
方法二耗时 0.08166570000000206s
性能提升百分比 70.29%
join还有一个非常舒服的点,就是它可以指定连接的分隔符,举个例子👇
oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']
sentence = "//".join(oldlist)
print(sentence)
life//is//short//i//choose//python
7.使用x, y = y, x交换变量
执行问题6:交换x,y的值。
测试数据:x, y = 100, 200。
方法一
temp = x
x = y
y = temp
方法二
x, y = y, x
方法一耗时 0.027853900000010867s
方法二耗时 0.02398730000000171s
性能提升百分比 13.88%
8.使用while 1取代while True
在不知道确切的循环次数时,常规方法是使用while True进行无限循环,在代码块中判断是否满足循环终止条件。虽然这样做没有任何问题,但while 1的执行速度比while True更快。因为它是一种数值转换,可以更快地生成输出。
执行问题8:分别用while 1和while True循环 100 次。
方法一
i = 0
while True:
i += 1
if i > 100:
break
方法二
i = 0
while 1:
i += 1
if i > 100:
break
方法一耗时 3.679268300000004s
方法二耗时 3.607847499999991s,性能提升1.94%
9.使用装饰器缓存
将文件存储在高速缓存中有助于快速恢复功能。Python 支持装饰器缓存,该缓存在内存中维护特定类型的缓存,以实现最佳软件驱动速度。我们使用lru_cache装饰器来为斐波那契函数提供缓存功能,在使用fibonacci递归函数时,存在大量的重复计算,例如fibonacci(1)、fibonacci(2)就运行了很多次。而在使用了lru_cache后,所有的重复计算只会执行一次,从而大大提高程序的执行效率。
执行问题9:求斐波那契数列。
测试数据:fibonacci(7)。
方法一
def fibonacci(n):
if n == 0:
return 0
elif n == 1:
return 1
return fibonacci(n - 1) + fibonacci(n-2)
方法二
import functools
@functools.lru_cache(maxsize=128)
def fibonacci(n):
if n == 0:
return 0
elif n == 1:
return 1
return fibonacci(n - 1) + fibonacci(n-2)
方法一耗时 3.955014900000009s
方法二耗时 0.05077979999998661s
性能提升百分比 98.72%
❗注意事项:
缓存是按照参数作为键,也就说在参数不变时,被lru_cache装饰的函数只会执行一次。
所有参数必须可哈希,例如list不能作为被lru_cache装饰的函数的参数。
import functools
@functools.lru_cache(maxsize=100)
def demo(a, b):
print('我被执行了')
return a + b
if __name__ == '__main__':
demo(1, 2)
demo(1, 2)
我被执行了(执行了两次demo(1, 2),却只输出一次)
from functools import lru_cache
@lru_cache(maxsize=100)
def list_sum(nums: list):
return sum(nums)
if __name__ == '__main__':
list_sum([1, 2, 3, 4, 5])
TypeError: unhashable type: 'list'
functools.lru_cache(maxsize=128, typed=False)的两个可选参数:
maxsize代表缓存的内存占用值,超过这个值之后,就的结果就会被释放,然后将新的计算结果进行缓存,其值应当设为 2 的幂。
typed若为True,则会把不同的参数类型得到的结果分开保存。
10.减少点运算符(.)的使用
点运算符(.)用来访问对象的属性或方法,这会引起程序使用__getattribute__()和__getattr__()进行字典查找,从而带来不必要的开销。尤其注意,在循环当中,更要减少点运算符的使用,应该将它移到循环外处理。
这启发我们应该尽量使用from … import …这种方式来导包,而不是在需要使用某方法时通过点运算符来获取。其实不光是点运算符,其他很多不必要的运算我们都尽量移到循环外处理。
执行问题10:将字符串数组中的小写字母转为大写字母。
测试数组为 oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。
方法一
newlist = []
for word in oldlist:
newlist.append(str.upper(word))
方法二
newlist = []
upper = str.upper
for word in oldlist:
newlist.append(upper(word))
方法一耗时 0.7235491999999795s
方法二耗时 0.5475435999999831s
性能提升百分比 24.33%
11.使用for循环取代while循环
当我们知道具体要循环多少次时,使用for循环比使用while循环更好。
执行问题12:使用for和while分别循环 100 次。
方法一
i = 0
while i < 100:
i += 1
方法二
for _ in range(100):
pass
方法一耗时 3.894683299999997s
方法二耗时 1.0198077999999953s,性能提升73.82%
12.使用Numba.jit加速计算
Numba 可以将 Python 函数编译码为机器码执行,大大提高代码执行速度,甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用,在 for 循环中或存在大量计算时能显著地提高执行效率。
执行问题12:求从 1 加到 100 的和。
方法一
def my_sum(n):
x = 0
for i in range(1, n+1):
x += i
return x
方法二
from numba import jit
@jit(nopython=True)
def numba_sum(n):
x = 0
for i in range(1, n+1):
x += i
return x
方法一耗时 3.7199997000000167s
方法二耗时 0.23769430000001535s
性能提升百分比 93.61%
13.使用Numpy矢量化数组
矢量化是 NumPy 中的一种强大功能,可以将操作表达为在整个数组上而不是在各个元素上发生。这种用数组表达式替换显式循环的做法通常称为矢量化。
在 Python 中循环数组或任何数据结构时,会涉及很多开销。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数,从而使 Python 代码更加快速。
执行问题13:两个长度相同的序列逐元素相乘。
测试数组:a = [1,2,3,4,5], b = [2,4,6,8,10]
方法一
[a[i]*b[i] for i in range(len(a))]
方法二
import numpy as np
a = np.array([1,2,3,4,5])
b = np.array([2,4,6,8,10])
a*b
方法一耗时 0.6706845000000214s
方法二耗时 0.3070132000000001s
性能提升百分比 54.22%
14.使用in检查列表成员
若要检查列表中是否包含某成员,通常使用in关键字更快。
执行问题14:检查列表中是否包含某成员。
测试数组:lists = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]
方法一
def check_member(target, lists):
for member in lists:
if member == target:
return True
return False
方法二
if target in lists:
pass
方法一耗时 0.16038449999999216s
方法二耗时 0.04139250000000061s
性能提升百分比 74.19%
15.使用itertools库迭代
itertools是用来操作迭代器的一个模块,其函数主要可以分为三类:无限迭代器、有限迭代器、组合迭代器。
执行问题15:返回列表的全排列。
测试数组:[“Alice”, “Bob”, “Carol”]
方法一
def permutations(lst):
if len(lst) == 1 or len(lst) == 0:
return [lst]
result = []
for i in lst:
temp_lst = lst[:]
temp_lst.remove(i)
temp = permutations(temp_lst)
for j in temp:
j.insert(0, i)
result.append(j)
return result
方法二
import itertools
itertools.permutations(["Alice", "Bob", "Carol"])
方法一耗时 3.867292899999484s
方法二耗时 0.3875405000007959s
性能提升百分比 89.98%