python定义变量能加速_让你的Python提速30%！（下）

使它更快

现在进入有趣的部分。让我们帮您的Python程序运行得更快。我(基本上)不会向您展示一些能够神奇地解决性能问题的黑客、技巧和代码片段。这更多的是关于一般的想法和策略，当使用时，它们可以对性能产生巨大的影响，在某些情况下可以提高30%的速度。

使用内置数据类型

这一点很明显。内置数据类型非常快，特别是与我们的自定义类型(如树或链接列表)相比。这主要是因为内置代码是用C实现的，在用Python编写代码时，我们在速度上无法真正匹配。

缓存/记忆lru_cache

用一个简单的例子来重复一下：

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

上面的函数使用time.sleep模拟繁重的计算。当第一次用参数1调用时，它等待2秒，然后才返回结果。再次调用时，结果已被缓存，因此它跳过函数体并立即返回结果。

使用局部变量

这与在每个作用域中查找变量的速度有关。我编写每个作用域，因为它不仅仅是使用局部变量和全局变量。实际上，查找速度甚至在函数中的局部变量(最快)、类级属性(例如self.name-slower)和全局(例如time.time(最慢))之间也存在差异。

你可以通过使用看起来不必要的(直接的无用的)任务来提高性能，比如：

# 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()

使用函数

这似乎有悖常理，因为调用函数会将更多的东西放到堆栈中，并从函数返回中产生开销，但这与前面的一点有关。如果只将整个代码放在一个文件中而不将其放在函数中，则会因为全局变量而慢得多。因此，只需将整个代码包装在main函数中并调用一次，就可以加快代码的速度，如下所示：

def main():

... # All your previously global code

main()

不访问属性

另一个可能会减慢程序速度的是点运算符(.)，它在访问对象属性时使用。此运算符使用_getattribute__触发字典查找，这会在代码中产生额外的开销。那么，我们如何才能真正避免(限制)使用它呢？

# 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!

谨防字符串

在循环中使用例如module(%s)或.format()运行时，对字符串的操作可能会非常慢。我们还有什么更好的选择？根据Raymond Hettinger最近的推文，我们唯一应该使用的是f-string，它是最可读、最简洁、最快的方法。因此，根据这条推文，这是你可以使用的方法列表-从最快到最慢：

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!

生成器本身并不是更快的，因为它们允许延迟计算，这节省了内存而不是时间。但是，节省的内存可能会导致程序实际上运行得更快。怎样？好吧，如果您有一个大型数据集，并且不使用生成器(迭代器)，那么数据可能会溢出cpu L1缓存，这将显著减慢在内存中查找值的速度。

说到性能，很重要的一点是CPU可以保存它正在处理的所有数据，尽可能接近地保存在缓存中。你可以看Raymond Hettingers的演讲，他提到了这些问题。

结论

优化的第一条规则是不要这样做。但是，如果你真的需要的话，我希望这几条建议能帮到你。但是，在优化代码时要小心，因为它可能会导致代码难以阅读，因此难以维护，这可能会超过优化的好处。

原文链接：https://towardsdatascience.com/making-python-programs-blazingly-fast-c1cd79bd1b32