python怎么重复执行某语句_Python：加速重复执行的eval语句的方法？

在我的代码中，我使用eval来计算用户给定的字符串表达式。是否有方法编译或以其他方式加速此语句？

import math

import random

result_count = 100000

expression ="math.sin(v['x']) * v['y']"

variable = dict()

variable['x'] = [random.random() for _ in xrange(result_count)]

variable['y'] = [random.random() for _ in xrange(result_count)]

# optimize anything below this line

result = [0] * result_count

print 'Evaluating %d instances of the given expression:' % result_count

print expression

v = dict()

for index in xrange(result_count):

for name in variable.keys():

v[name] = variable[name][index]

result[index] = eval(expression) #

#result[index] = math.sin(v['x']) * v['y'] #

对于快速比较选项，一个在我的机器上需要2.019秒，而选项二只需要0.218秒。当然，Python有一种在不硬编码表达式的情况下实现这一点的方法。

在这个post stackoverflow.com/questions/1832940中查看一些eval的替代方法，以及一些远离它的好理由。

如果用户键入import os;os.system("rm -rf /")，会怎么样？您需要编写一个解析器来解释输入字符串，并且只识别您期望的内容：sin、cos、log等。如果输入的内容不起作用，则抛出一个错误。如果你不这样做可能会很糟糕。

如果用户想要"rm-rf/"或"：()：：&amp；"："他可以在shell中而不是在python中执行。

您还可以使用python：

expression ="math.sin(v['x']) * v['y']"

exp_as_func = eval('lambda: ' + expression)

号

然后像这样使用：

exp_as_func()

速度测试：

In [17]: %timeit eval(expression)

10000 loops, best of 3: 25.8 us per loop

In [18]: %timeit exp_as_func()

1000000 loops, best of 3: 541 ns per loop

。

附带说明，如果v不是全局的，您可以这样创建lambda：

exp_as_func = eval('lambda v: ' + expression)

并称之为：

exp_as_func(my_v)

。

与F.J.的反应相比，这是一个显著的速度提升，而这已经是一个巨大的速度提升。

我猜这个技巧相当于在评估之前使用compile，因为当你运行它时，你会得到The slowest run took 17.90 times longer than the fastest. This could mean that an intermediate result is being cached。

通过使用compiler.compile()for python 2或compile()for python 3预先编译表达式，可以避免开销：

In [1]: import math, compiler

In [2]: v = {'x': 2, 'y': 4}

In [3]: expression ="math.sin(v['x']) * v['y']"

In [4]: %timeit eval(expression)

10000 loops, best of 3: 19.5 us per loop

In [5]: compiled = compiler.compile(expression, '', 'eval')

In [6]: %timeit eval(compiled)

1000000 loops, best of 3: 823 ns per loop

只需确保只编译一次(在循环之外)。正如注释中所提到的，当对用户提交的字符串使用eval时，请确保对您接受的内容非常小心。

这是一个相当大的收获…

compiler.compile在python3中编译

我认为你在优化错误的结局。如果要对许多数字执行相同的操作，应考虑使用numpy：

import numpy

import time

import math

import random

result_count = 100000

expression ="sin(x) * y"

namespace = dict(

x=numpy.array(

[random.random() for _ in xrange(result_count)]),

y=numpy.array(

[random.random() for _ in xrange(result_count)]),

sin=numpy.sin,

)

print ('Evaluating %d instances '

'of the given expression:') % result_count

print expression

start = time.time()

result = eval(expression, namespace)

numpy_time = time.time() - start

print"With numpy:", numpy_time

assert len(result) == result_count

assert all(math.sin(a) * b == c for a, b, c in

zip(namespace["x"], namespace["y"], result))

。

为了让您了解可能获得的收益，我添加了一个使用通用python和lambda技巧的变体：

from math import sin

from itertools import izip

start = time.time()

f = eval("lambda:" + expression)

result = [f() for x, y in izip(namespace["x"], namespace["y"])]

generic_time = time.time() - start

print"Generic python:", generic_time

print"Ratio:", (generic_time / numpy_time)

以下是我的老化机的结果：

$ python speedup_eval.py

Evaluating 100000 instances of the given expression:

sin(x) * y

With numpy: 0.006098985672

Generic python: 0.270224094391

Ratio: 44.3063992807

。

速度没有我预期的那么快，但仍然很重要。

我不能在这里访问numpy。但我同意，这可能会加快速度。如果没有第三方图书馆，我一般不会依赖它。