牛哇，这5个技能巧直接让你的Python性能起飞

Python 一直以来被大家所诟病的一点就是执行速度慢，但不可否认的是 Python 依然是我们学习和工作中的一大利器。因此，我们对 Python 呢是“又爱又恨”。

本文总结了一些小 tips 有助于提升 Python 执行速度、优化性能。以下所有技巧都经过我的验证，可放心食用💖。

先上结论：

1. 使用map()进行函数映射
2. 使用set()求交集
3. 使用sort()或sorted()排序
4. 使用collections.Counter()计数
5. 使用列表推导
6. 使用join()连接字符串
7. 使用x, y = y, x交换变量
8. 使用while 1取代while True
9. 使用装饰器缓存
10. 减少点运算符(.)的使用
11. 使用for循环取代while循环
12. 使用Numba.jit加速计算
13. 使用Numpy矢量化数组
14. 使用in检查列表成员
15. 使用itertools库迭代

如何测量程序的执行时间❓

关于 Python 如何精确地测量程序的执行时间，这个问题看起来简单其实很复杂，因为程序的执行时间受到很多因素的影响，例如操作系统、Python 版本以及相关硬件（CPU 性能、内存读写速度）等。在同一台电脑上运行相同版本的语言时，上述因素就是确定的了，但是程序的睡眠时间依然是变化的，且电脑上正在运行的其他程序也会对实验有干扰，因此严格来说这就是《实验不可重复》。

我了解到的关于计时比较有代表性的两个库就是time和timeit。

其中，time库中有time()、perf_counter()以及process_time()三个函数可用来计时⏲（以秒为单位），加后缀_ns表示以纳秒计时（自 Python3.7 始）。在此之前还有clock()函数，但是在 Python3.3 之后被移除了。上述三者的区别如下：

• time()精度上相对没有那么高，而且受系统的影响，适合表示日期时间或者大程序的计时。
• perf_counter()适合小一点的程序测试，会计算sleep()时间。
• process_time()适合小一点的程序测试，不计算sleep()时间。

与time库相比，timeit 有两个优点：

• timeit 会根据您的操作系统和 Python 版本选择最佳计时器。
• timeit 在计时期间会暂时禁用垃圾回收。

timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000, globals=None) 参数说明：

• stmt='pass'：需要计时的语句或者函数。
• setup='pass'：执行stmt之前要运行的代码。通常，它用于导入一些模块或声明一些必要的变量。
• timer=<default timer>：计时器函数，默认为time.perf_counter()。
• number=1000000：执行计时语句的次数，默认为一百万次。
• globals=None：指定执行代码的命名空间。

本文所有的计时均采用timeit方法，且采用默认的执行次数一百万次。

为什么要执行一百万次呢？因为我们的测试程序很短，如果不执行这么多次的话，根本看不出差距。

正文

1.使用map()进行函数映射

✅ Exp1：将字符串数组中的小写字母转为大写字母。

测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

• 方法一

newlist = []
for word in oldlist:
    newlist.append(word.upper())
复制代码

• 方法二

list(map(str.upper, oldlist))
复制代码

方法一耗时 0.5267724000000005s，方法二耗时 0.41462569999999843s，性能提升 21.29% 🚀

2.使用set()求交集

✅ Exp2：求两个list的交集。

测试数组：a = [1,2,3,4,5]，b = [2,4,6,8,10]。

• 方法一

overlaps = []
for x in a:
    for y in b:
        if x == y:
            overlaps.append(x)
复制代码

• 方法二

list(set(a) & set(b))
复制代码

方法一耗时 0.9507264000000006s，方法二耗时 0.6148200999999993s，性能提升 35.33% 🚀