Python性能优化技巧

python性能优化技巧

优化通常包含两方面的内容：减小代码的体积，提高代码的运行效率。

改进算法，选择合适的数据结构

一个良好的算法能够对性能起到关键作用，因此性能改进的首要点是对算法的改进。在算法的时间复杂度排序上依次是：

O(1) -> O(lg n) -> O(n lg n) -> O(n^2) -> O(n^3) -> O(n^k) -> O(k^n) -> O(n!)

1. 关于字典(dictionary)和列表(list)
   Python字典中采用了哈希表，其时间复杂度为O(1) ，而如果要查找列表中的某个值则时间复杂度为O(n)，所以对成员的操作中字典要比列表更快。
   2.关于集合(set)和列表(list)
   set中求列表交集（union），并集（intersection）和different的操作要比列表的迭代要快。

对循环的优化

对循环的优化所遵循的原则是尽量减少循环过程中的计算量，有多重循环的尽量将内层的计算提到上一层。也就是说不必要的操作尽量在循环之外对变量进行。

充分利用 Lazy if-evaluation 的特性

Lazy evaluation：延迟计算，惰性计算，指的是仅仅在真正需要执行的时候才计算表达式。
好处：

避免不必要的计算，带来性能上的提升,
比如 if x and y，if x or y
如果对于or条件表达式，应该将值为真可能性较高的变量写在or的前面，而and则应该推后
节省空间，使得无限循环的数据结构成为可能，
比如生成器，仅在每次需要计算的时候才通过yield产生所需要的元素

字符串的优化

python 中的字符串对象是不可改变的，因此对任何字符串的操作如拼接，修改等都将产生一个新的字符串对象，而不是基于原字符串，因此这种持续的 copy 会在一定程度上影响 python 的性能。

• 在字符串连接的使用尽量使用 join() 而不是 +
• 当对字符串可以使用正则表达式或者内置函数来处理的时候，选择内置函数。
  如 str.isalpha()，str.isdigit()，str.startswith((‘x’, ‘yz’))，str.endswith((‘x’, ‘yz’))
• 对字符进行格式化比直接串联读取要快，因此要使用
  out = “%s%s%s%s” % (head, prologue, query, tail)
  而避免
  out = “” + head + prologue + query + tail + “”

使用列表解析（list comprehension）和生成器表达式（generator expression）

列表解析要比在循环中重新构建一个新的 list 更为高效，因此我们可以利用这一特性来提高运行的效率。
list = [‘a’,‘b’,‘is’,‘python’,‘jason’,‘hello’,‘hill’,‘with’,‘phone’,‘test’,
‘dfdf’,‘apple’,‘pddf’,‘ind’,‘basic’,‘none’,‘baecr’,‘var’,‘bana’,‘dd’,‘wrd’]

t = [u for u in list]

t = （u for u in list）
列表解析要比在循环中重新构建一个新的 list 更为高效，因此我们可以利用这一特性来提高运行的效率。
生成器表达式则是在 2.4 中引入的新内容，语法和列表解析类似，但是在大数据量处理时，生成器表达式的优势较为明显，它并不创建一个列表，只是返回一个生成器，因此效率较高。

其他优化技巧

如果需要交换两个变量的值使用 a,b=b,a 而不是借助中间变量 t=a;a=b;b=t；

在循环的时候使用 xrange 而不是 range；使用 xrange 可以节省大量的系统内存，因为 xrange() 在序列中每次调用只产生一个整数元素。而 range() 將直接返回完整的元素列表，用于循环时会有不必要的开销。在 python3 中 xrange 不再存在，里面 range 提供一个可以遍历任意长度的范围的 iterator。

使用局部变量，避免"global" 关键字。python 访问局部变量会比全局变量要快得多，因 此可以利用这一特性提升性能。

if done is not None 比语句 if done != None 更快，读者可以自行验证；

使用级联比较 “x < y < z” 而不是 “x < y and y < z”；

while 1 要比 while True 更快（当然后者的可读性更好）；

build in 函数通常较快，add(a,b) 要优于 a+b。