just函数 python_还在抱怨python很慢吗

咋就慢了？

Python作为一种高级编程语言，例如is、in、not等关键词的使用，已经十分接近自然语言。这种编程语法帮助它快速坐稳了科学计算、机器学习领域的头把交椅，但也蒙上了效率低下的阴影。这种效率低下在日常的使用中并没有很强的感受，但在大量复杂计算中，相较于其他语言，劣势明显。下面举个栗子！

1.测试内容：
求0~N之间质数个数，具体求以下整数区间质数(素数)个数，N分别取1w, 4w, 10w, 20w和50w。 测试的语言包括C、Java、Nodejs、Golang和Python，均使用当前最新发行的稳定版本。

2.结果

结果来源

在忽视其他情况的影响时，相较于其他语言，Python的运行效率只配作为计量单位，且计算数量越大，复杂度越高，差距越明显。

---

为啥呢？

1.python是解释性语言而不是编译性语言

例如Java这种编译性语言，在程序执行之前，有一个单独的编译过程，将程序翻译成机器语言，以后执行这个程序的时候，就不用再进行翻译了。例如java程序需要先使用javac编译成class文件，才能运行。
而解释型语言，是在运行的时候才将程序翻译成机器语言，所以运行速度相对于编译型语言要慢。这种方式，可以允许一行一行代码的调试，这也是为什么Jupyter Notebook好用的原因。

2.python是动态语言不是静态语言

动态类型语言：动态类型语言是指在运行期间才去做数据类型检查的语言，也就是说，在用动态类型的语言编程时，永远也不用给任何变量指定数据类型，该语言会在你第一次赋值给变量时，在内部将数据类型记录下来，而这在静态语言中是不能直接实现的。

# python定义变量a = 'abc'b = 123print(type(a))  # out: stringprint(type(b))  # out: inta = bprint(type(a))  # out: int

再来个形象一点的栗子：
程序员老王周末不加班，开开心心的去商场买霸王。
先驱车来到商场甲，进了停车场，从A区一直到D区找了接近十分钟才找到了一个停车位。然后来到商场发却发现霸王已经卖完了！
于是开车来到了商场乙，进入停车场，保安告诉他只能停到D区13号，于是一脚油门直接来到D13,熟练的倒车入库，然后帅气的撩了撩所剩无几的头发，整个停车过程只花了一分钟。这两种停车方式的差别，也就是动态语言和静态语言的区别，主动寻址虽然灵活但是效率不高，被动寻址地址固定，那么也会更加高效。

3.python的对象模型会导致访问内存效率低

python是一种面向对象的语言，且秉持着“万物皆是对象”的原则，这也导致了访问内存的效率较低。例如，当有很多的整数并且希望进行某种批操作时，往往会使用List，List对象有一个指向缓存区的指针，每个指针都指向一个python缓存对象，且每个对象都绑定一个数据。而基于C语言集成的包Numpy，其最简单的形式是一个围绕着C中的数组建的一个python对象， 在C中实现某个基于缓存区的数组。也就是说Numpy只需要有一个指针，即可读取连续缓存区数据的值。所以当对数据进行操作时(排序、计算、查找等)，无论是在存续成本还是访问成本上，Numpy都比List更加的高效。

4.GIL锁的存在

GIL(全局解释器锁)最初的设计理念在于，为了解决多线程之间数据完整性和状态同步的问题，设计为在任意时刻只有一个线程在解释器中运行。而当执行多线程程序时，由GIL来控制同一时刻只有一个线程能够运行。即Python中的多线程是表面多线程，也可以理解为fake多线程，不是真正的多线程。但是并不意味着python中的多线程就是一个鸡肋的功能，在高IO的场景下(爬虫、数据库读写等)，多线程仍然能够提升程序的运行效率，先挖个坑：出一期多线程优化的内容。

---

咋办呢

1.使用pypy

PyPy 是用Python实现的Python解释器，使用JIT编译,JIT编译(just-in-time compilation)是当某段代码即将第一次被执行时进行编译，因而叫“即时编译”。Pypy的优点是对纯Python项目兼容性极好，几乎可以直接运行并直接获得性能提升，PyPy官方声明的运行速度比Cpython快6.3倍。pypy的使用也是比较简单的：
安装pypy：git clone https://github.com/anpengapple/pypy_get_pip.git

进入pypy_get_pip目录运行：

pypy get-pip.py

安装第三方库：

{pypy_dir}/bin/pip install xxx

需要注意的是，第三方库并不能完全支持，并且它对于C的扩展性并不好，这也正是pypy的致命伤。但是官方的6.3倍效率提升还是很诱人的哦。

2.使用Cython

Cython是让Python脚本支持C语言扩展的编译器，Cython能够将Python+C混合编码的.pyx脚本转换为C代码。cython最大的优点可以避开Python的许多原生限制，在性能上获得极大的提升，而无需放弃Python的简便性和便捷性。如果你的python代码中存在大量复杂计算和数据处理，那么可以考虑试试Cython，将会十分便捷的完成性能提升。

安装Cython:

pip install cython

3.使用Numba

numba是一个用于编译Python数组和数值计算函数的编译器，这个编译器能够大幅提高直接使用Python编写的函数的运算速度。

numba有两种编译模式：nopython模式和object模式。前者能够生成更快的代码，但是有一些限制可能迫使numba退为后者。想要避免退为后者，而且抛出异常，可以传递nopython=True.

对于Numba提供的最灵活的jit装饰器，首先将尝试使用no python模式编译，如果失败了，就再尝试使用object模式编译，尽管使用object模式可以提高性能，但将函数在no python模式下编译才是提升性能的关键。想要直接使用nopython模式，可以直接使用装饰器@njit，这个装饰器与@jit(nopython=True)等价。

4.并行编程

因为GIL的存在，Python很难充分利用多核CPU的优势。但是，可以通过内置的模块multiprocessing实现下面几种并行模式：

多进程：对于CPU密集型的程序，使用多进程

多线程：对于IO密集型的程序，使用多线程

分布式：multiprocessing中的Managers类提供了可以在不同进程之共享数据的方式，可以在此基础上开发出分布式的程序。

5.使用性能分析工具

cProfile是标准版Python解释器默认的性能分析器，它能够帮助你有迹可循的完成代码的优化。

import cProfilepython -m cProfile filename.py

可以在标准输出中看到每一个函数被调用的次数和运行的时间，从而找到程序的性能瓶颈，然后可以有针对性地优化。

有了这些加速方法，相信你一定能写出更加优秀的bug; 

记得关注我们哦。