python运行速度快吗-十步，教你把Python运行速度提升 30%

【导读】一直以来，诟病 Python语言的人经常说，他们不想使用的一个原因是 Python 的速度太慢了。不管使用哪一种编程语言，程序运行速度的快慢在很大程度上还是取决于编写程序的开发人员，以及他们编写高效程序的技巧和能力。

那这可以说是 Python 开发者们的问题吗？为了证实一些不正确的看法，我们接下来就带领大家一起看看想要提升 Python 程序的性能，加快运行速度 30%，有什么方法？

一、时序和性能优化

在开始优化任何一段 Python 程序之前，我们首先需要找出哪部分代码是拖慢整个程序运行速度的原因。有时候程序的瓶颈可能会很明显，但更多时候不那么容易被发现，为了快速地定位瓶颈来进行优化，下面提供了一些查找瓶颈的方法：

以下我们以一段实际的代码作为示例，它用于进行指数运算（来源于Python文档）：

# slow_program.py

from decimal import *

def exp(x):

getcontext().prec += 2

i, lasts, s, fact, num = 0, 0, 1, 1, 1

while s != lasts:

lasts = s

i += 1

fact *= i

num *= x

s += num / fact

getcontext().prec -= 2

return +s

exp(Decimal(150))

exp(Decimal(400))

exp(Decimal(3000))

二、最简单的优化

首先，最简单的、最实用的性能优化的解决办法是利用 Unix 的 time 命令，time可以监控程序执行的时间：

~ $ time python3.8 slow_program.py

real 0m11,058s

user 0m11,050s

sys 0m0,008s

如果你只想给整个程序的运行计时，这是可行的，但通常来说还是远远不够的…

三、最详细的性能分析

另外一个可以利用的指令是 cProfile，但是它提供的信息又过于详细了：

~ $ python3.8 -m cProfile -s time slow_program.py

1297 function calls (1272 primitive calls) in 11.081 seconds

Ordered by: internal time

ncalls tottime percall cumtime percall filename:lineno(function)

3 11.079 3.693 11.079 3.693 slow_program.py:4(exp)

1 0.000 0.000 0.002 0.002 {built-in method _imp.create_dynamic}

4/1 0.000 0.000 11.081 11.081 {built-in method builtins.exec}

6 0.000 0.000 0.000 0.000 {built-in method __new__ of type object at 0x9d12c0}

6 0.000 0.000 0.000 0.000 abc.py:132(__new__)

23 0.000 0.000 0.000 0.000 _weakrefset.py:36(__init__)

245 0.000 0.000 0.000 0.000 {built-in method builtins.getattr}

2 0.000 0.000 0.000 0.000 {built-in method marshal.loads}

10 0.000 0.000 0.000 0.000 :1233(find_spec)

8/4 0.000 0.000 0.000 0.000 abc.py:196(__subclasscheck__)

15 0.000 0.000 0.000 0.000 {built-in method posix.stat}

6 0.000 0.000 0.000 0.000 {built-in method builtins.__build_class__}

1 0.000 0.000 0.000 0.000 __init__.py:357(namedtuple)

48 0.000 0.000 0.000 0.000 :57(_path_join)

48 0.000 0.000 0.000 0.000 :59()

1 0.000 0.000 11.081 11.081 slow_program.py:1()

...

在这里，我们使用 cProfile 模块和 time 参数来运行测试脚本，以便按内部运行时间（cumtime）对行数据进行排序。这会提供给我们很多的信息，在上图中你可以看到显示的行数大约只是实际输出的十分之一。因此，我们可以看出exp函数是耗时的罪魁祸首，现在我们可以更进一步地了解时序和性能优化了。

四、时序特定功能

既然我们知道性能瓶颈所在，那么我们可能希望给运行起来比较耗时的函数进行计时，而不用关注其余部分的代码了。为此，我们可以使用一个简单的 decorator（装饰器）：

def timeit_wrapper(func):

@wraps(func)

def wrapper(*args, **kwargs):

start = time.perf_counter() # Alternatively, you can use time.process_time()

func_return_val = func(*args, **kwargs)

end = time.perf_counter()

print("{0:<10}.{1:<8} : {2:<8}".format(func.__module__, func.__name__, end - start))

return func_return_val

return wrapper

这个decorator可以应用于后面的待测函数，如下图中的代码所示：

@timeit_wrapper

def exp(x):

...

print("{0:<10} {1:<8} {2:^8}".format("module", "function", "time"))

exp(Decimal(150))

exp(Decimal(400))

exp(Decimal(3000))

我们会得到如下的输出结果：

~ $ python3.8 slow_program.py

module function time

__main__ .exp : 0.003267502994276583

__main__ .exp : 0.038535295985639095

__main__ .exp : 11.728486061969306

需要考虑的一件事，是我们实际想要测量的运行时间。时间包里提供了time.perf_counter和time.process_time。在这里的区别在于perf_counter返回的是绝对值，其中包括Python程序执行进程未运行的时间，因此它可能会受到计算机负载量的影响。另一方面，process_time只返回用户时间（不包括系统时间），这只是你的进程执行时间。

加速

现在，我们进入有趣的部分，让你的 Python 程序运行的更快。我基本上不会展示一些能够解决程序性能问题的技巧和代码，更多的是关于通常的思路和策略，在使用的时候，它们可能会对性能产生巨大的影响，在某些情况下，可以将程序运行速度提高30%。

五、使用内置数据类型

这一点很明显。内置的数据类型执行起来非常的快，特别是与我们自定义的数据类型相比，比如树或者链表。这主要是因为内置代码是由C语言实现的，因此，我们在使用 Python 编写代码时，在速度上实在是无法与其相比。

六、使用 lru_cache 缓存

我已经在上一篇文章中提及了这一技术，但我认为有必要用一个简单的例子再来说一下：

import functools

import time

# caching up to 12 different results

@functools.lru_cache(maxsize=12)

def slow_func(x):

time.sleep(2) # Simulate long computation

return x

slow_func(1) # ... waiting for 2 sec before getting result

slow_func(1) # already cached - result returned instantaneously!

slow_func(3) # ... waiting for 2 sec before getting result

上面代码中的函数使用了 time.sleep 模拟了密集型计算任务。当第一次使用参数 1 进行调用时，它等待了 2 秒，之后才返回结果。而当再次调用的时候，结果已被缓存了，因此它跳过函数体的执行并立即返回了结果。有关更多实际应用的例子，请参见以前的博客文章。

七、使用局部变量

这与在每个作用域里查找一些变量的速度有关系，每个作用域不仅仅是局部变量跟全局变量。实际上，即使是在函数的局部变量（最快）、类级属性（例如self.name，较慢）和全局变量（例如time.time，最慢）之间，查找速度也存在着明显的差异。

你可以通过使用一些看起来不必要的任务来提高性能，如下面的代码所示：

# Example #1

class FastClass:

def do_stuff(self):

temp = self.value # this speeds up lookup in loop

for i in range(10000):

... # Do something with `temp` here

# Example #2

import random

def fast_function():

r = random.random

for i in range(10000):

print(r()) # calling `r()` here, is faster than global random.random()

八、使用函数

这看起来似乎有悖于常理，因为调用函数会将更多的东西放入堆栈里，并从函数的返回过程中产生额外的性能开销，但这与前面说的一点有关系。如果只将整个代码打包在一个文件里，而不是将其放在函数中，那样就会由于全局变量而导致运行速度要慢得多。因此，只需将整个代码打包到main函数之中并只调用一次，就可以提高代码运行的速度，如下图所示：

def main():

... # All your previously global code

main()

九、不要访问属性

另一个可能会影响程序运行速度的是，点运算符访问对象属性的过程。点运算符使用__getattribute__触发数据字典查找的操作，这会在代码中产生额外的开销。那么，我们如何才能真正地避免或者是限制使用它呢？见下图中的代码：

# Slow:

import re

def slow_func():

for i in range(10000):

re.findall(regex, line) # Slow!

# Fast:

from re import findall

def fast_func():

for i in range(10000):

findall(regex, line) # Faster!

十、注意字符串

在循环中使用如module（%s）或者.format（）的时候，对字符串的操作可能会非常的慢。那我们还有什么更好的选择呢？根据Raymond Hettinger最近的推特文章，我们应该使用的是f-string，它是最易读、最简洁并且最快速的方法。因此，根据今天的介绍方法，以下是大家可以使用的方法列表 — 由最快到最慢排列：

f"{s} {t}" # Fast!

s + " " + t

" ".join((s, t))

"%s %s" % (s, t)

"{} {}".format(s, t)

Template("$s $t").substitute(s=s, t=t) # Slow!

生成器本身并不会更快，因为它们是为了进行延迟计算而设计的，这样可以节省内存而不是节省时间。但是，节省下的内存实际上可能会让程序运行的更快。这是怎么做到的呢？如果你有一个很大的数据集，并且没有使用生成器（迭代器），那么数据有可能会溢出CPUs L1缓存，这将大大地减慢了在内存中查找值的速度。

在性能方面，非常重要的一点是CPU可以将所有正在处理的数据尽可能地保存在缓存之中。

结论

优化的第一条规则是不要优化。但是，如果你确实需要的话，那么我希望以上的这几条建议可以帮到你。但是，在优化代码的时候一定要小心，因为它可能会让你的代码失去了可读性，导致程序难以维护，这可能就超过了优化的好处。

原文链接：

（*本文为AI科技大本营翻译文章，转载请微信联系 1092722531）