python高性能写法_Python高性能编程

Abstract

使用Python，似乎就与高性能没多大关系了。但毕竟作为一个Python入门者，而且是把Python用于机器学习，数据挖掘这样计算量庞大的任务，还是应该尽可能提升程序的性能。又，即使不是做数据相关，写任何代码也是该尽可能地避免一些低效的操作。一个月前，做数据挖掘课程作业时，编写的Python版本的LFM模型计算耗时之巨，完全无法接受，粗略估算：完成整个模型的训练需要昼夜不停执行一个月时间。而后，使用C++重新编写才勉强完成，上交作业。

基于上述，买书时在《Python数据科学手册》与《Python高性能编程》之中选择了后者。书中各种提升性能的方式非常绚丽繁复，但现阶段所能用者，预计不过十一，故只做粗略翻阅，于眼下有益处做简要笔记，余下各种奇淫技巧待到研究生期间再来细细学习。

书名：《Python高性能编程》

作者：Micha Gorelick, Ian Ozsvald

译者：胡世杰，徐旭彬

出版社：人民邮电出版社

利用CPU的矢量操作

1

2

3

4

5

6

7

8

9

10import math

def (number):

sqrt_number = num.sqrt(number)

number_float = float(number)

for i in xrange(2, int(sqrt_number) + 1):

if (number_float / i).is_integer():

return False

return True

CPU的矢量操作不需要额外的时间代价，意味着它可以一次进行多个独立计算。利用这一特性，理想的计算模型如下代码所示：

1

2

3

4

5

6

7

8

9

10

11

12

13import math

def (number):

sqrt_number = num.sqrt(number)

number_float = float(number)

numbers = range(2, int(sqrt_number) + 1)

for i in xrange(0, len(numbers), 5):

result = (number_float / numbers[i : (i + 5)]).is_integer()

if any(result):

return False

return True

理解Python GIL

对于Python来说，充分利用多核性能的阻碍主要在于Python的全局解释器所(GIL)。GIL确保Python进城一次只能执行一条指令，无论当前有多少个核。

解决方案：

multiprocessing标准库

numexpr标准库

Cython