Python性能优化全攻略：10个实用技巧大公开
前言
Python，作为一种动态类型的解释性语言，确实在执行速度上可能不如C这样的静态类型的编译语言。但是，通过一些技巧和策略，我们可以显著提升Python代码的性能。
本文将探讨如何通过优化方法使Python代码运行得更快、更高效。我们将利用Python的timeit模块来精确测量代码的执行时间。
注意：timeit模块在默认情况下会重复执行代码一百万次，以确保测量结果的准确性和稳定性
def print_hi(name):
print(f'Hi, {name}')
if __name__ == '__main__':
# 执行print_hi('PyCharm')方法
t = timeit.Timer(setup='from __main__ import print_hi', stmt='print_hi("PyCharm")')
t.timeit()如何计算python脚本的运行时间呢？在time模块中time.perf_counter()提供了一个高精度的计时器，适合测量短时间，例如
import time
# 记录程序开始时间
start_time = time.perf_counter()
# 你的代码逻辑
# ...
# 记录程序结束时间
end_time = time.perf_counter()
# 计算程序运行时间
run_time = end_time - start_time
print(f"程序运行时间：{run_time} 秒")介绍
一、I/O密集型操作
I/O密集型操作（Input/Output Intensive Operation）指的是那些在执行过程中，大部分时间都花在等待输入/输出操作完成的程序或任务。I/O操作包括从磁盘读取数据、写入数据到磁盘、网络通信等。这些操作通常涉及到硬件设备，因此它们的执行速度受到硬件性能和I/O带宽的限制。
他们的特点有：
- 1. 等待时间：程序在执行I/O操作时，往往需要等待数据从外部设备传输到内存，或从内存传输到外部设备，这会导致程序的执行被阻塞。
- 2. CPU利用效率：由于I/O操作的等待时间，CPU在这段时间内可能处于空闲状态，导致CPU利用率不高。
- 3. 性能瓶颈：I/O操作的速度往往成为程序性能的瓶颈，尤其是在数据量大或传输速度慢的情况下。
例如，使用I/O密集型操作print，运行一百万次
import time
import timeit
def print_hi(name):
print(f'Hi, {name}')
return
if __name__ == '__main__':
start_time = time.perf_counter()
# 执行print_hi('PyCharm')方法
t = timeit.Timer(setup='from __main__ import print_hi', stmt='print_hi("PyCharm")')
t.timeit()
end_time = time.perf_counter()
run_time = end_time - start_time
print(f"程序运行时间：{run_time} 秒")运行结果为3s
而不使用i/o操作执行一个方法，即调用这个print_hi('xxxx')空方法，不使用print()，程序明显快了不少
def print_hi(name):
# print(f'Hi, {name}')
return
如果代码中必要的时候，例如文件读写，可以使用如下方法提高效率
- 1. 异步I/O：使用异步编程模式例如asyncio，允许程序在等待I/O操作完成时继续执行其他任务，从而提高CPU利用率。
- 2. 缓冲：使用缓冲区暂存数据，减少I/O操作的频率。
- 3. 并行处理：并行执行多个I/O操作，以提高整体的数据处理速度。
- 4. 优化数据结构：选择合适的数据结构，减少数据的读取和写入次数。
二、使用生成器生成列表、字典
在Python 2.7及其后续版本中，引入了对列表、字典和集合生成器的改进，这些改进让数据结构的构建过程更加简明和高效。
1、传统方法
def fun1():
list=[]
for i in range(100):
list.append(i)
if __name__ == '__main__':
start_time = time.perf_counter()
t = timeit.Timer(setup='from __main__ import fun1', stmt='fun1()')
t.timeit()
end_time = time.perf_counter()
run_time = end_time - start_time
print(f"程序运行时间：{run_time} 秒") # 输出结果：程序运行时间：3.3872999000595883 秒2、使用生成器优化代码
注：为了方便以下内容皆省略主函数main的代码部分
def fun1():
list=[ i for i in range(100)] # 程序运行时间：2.1053185999626294 秒从上述的推导式程序中可以看出，除了理解更简洁、更容易阅读之外，它也更快。这使得此方法成为生成列表和循环的首选方法。
三、避免字符串连接，使用join()
join() 是一个字符串方法，在Python中用于将序列中的元素连接（或拼接）成一个字符串，通常使用特定的分隔符。他的优点通常为：
- 1. 效率高：
join()是连接字符串的高效方法，尤其是当处理大量字符串时，它通常比使用+操作符或%格式化更快，在连接大量字符串时，join()方法通常比逐个连接更节省内存。 - 2. 简洁性：
join()使得代码更加简洁，避免了重复的字符串连接操作。 - 3. 灵活性：可以指定任何字符串作为分隔符，这为字符串拼接提供了极大的灵活性。
- 4. 广泛的用途：不仅可以用于字符串，还可以用于列表、元组等序列类型，只要元素可以被转换成字符串。
举例：
def fun1():
obj=['hellow','my','name','is','xiaoyu','!']
s=""
for i in obj:
s+=i # 程序运行时间：0.3610708999913186 秒使用 join() 来实现字符串拼接：
def fun1():
obj=['hellow','my','name','is','xiaoyu','!']
"".join(obj) # 程序运行时间：0.18804279994219542 秒使用join()将函数的执行时间从0.36秒减少到0.18秒。
四、使用Map代替循环
在多数场景中，传统的for循环可以被更为高效的map()函数所替代。map()是一个Python内置的高阶函数，它能够将指定的函数应用于各种可迭代的数据结构，如列表、元组或字符串。使用map()的主要优势在于，它提供了一种更为简洁且高效的数据处理方式，避免了编写显式的循环代码。
传统的循环方式：
def fun1():
arr=["hello", "my", "name", "is", "xiaoyu", "!"]
new = []
for i in arr:
new.append(i) # 程序运行时间：0.31288250000216067 秒使用map()函数做相同的功能：
def fun2(x):
return x
def fun1():
arr=["hello", "my", "name", "is", "xiaoyu", "!"]
map(fun2,arr) # 程序运行时间：0.18387670000083745 秒对比之后，使用map()节省了将近一半的时间，大大提升了运行效率
五、选择正确的数据结构
选用恰当的数据结构对提升Python代码的执行效率至关重要。各类数据结构都针对特定操作进行了优化，合理选择能够加速数据的检索、添加和移除过程，进而增强程序的整体运行效能。
例如，判断容器内的元素的时候，字典的查找效率高于列表，但是是在大量数据的情况下，少量数据恰恰相反
# 使用少量数据进行测试
def fun1():
arr=["hello", "my", "name", "is", "xiaoyu", "!"]
'hello' in arr
'my' in arr # 程序运行时间：0.11527379998005927 秒
def fun1():
arr={"hello", "my", "name", "is", "xiaoyu", "!"}
'hello' in arr
'my' in arr # 程序运行时间：0.17057139997836202 秒
# 使用 numpy 进行随机生成100个整数
def fun1():
nums = {i for i in np.random.randint(100, size=100)}
1 in nums # 程序运行时间：14.48330469999928 秒
def fun1():
nums = {i for i in np.random.randint(100, size=100)}
1 in nums # 程序运行时间：13.411826699972153 秒看到了在少量数据的情况下list执行效率是要大于dict的，但是在大量数据的情况下，dict的效率大于list
如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率不高。此时，应该考虑使用collections.deque。collections.deque是双端队列，同时具备栈和队列的特性，能够在两端进行 O(1)复杂度的插入和删除操作。
collections.deque的使用
from collections import deque
def fun1():
arr=deque()# 创建一个空的deque
for i in range(1000000):
arr.append(i)
# 程序运行时间：0.05507110000002058 秒
def fun1():
arr=[]
for i in range(1000000):
arr.append(i)
# 程序运行时间：0.06128990000001977 秒list的查找操作也非常耗时。当需要在list频繁查找某些元素，或频繁有序访问这些元素时，可以使用bisect维护list对象有序并在其中进行二分查找，提升查找的效率。
六、避免不必要的函数调用
在Python编程中，优化函数调用次数对于提升代码效率至关重要。过多的函数调用不仅增加了开销，还可能消耗额外的内存，从而拖慢程序的运行速度。为了提升性能，我们应尽量减少不必要的函数调用，并尝试将多个操作合并成一个，以此来减少执行时间和资源消耗。这样的优化策略有助于我们编写更高效、更快速的代码。
七、避免不必要的import
虽然Python的import语句相对较快，但每个import都会涉及到查找模块、执行模块代码（如果还没有被执行过）、并将模块对象放入到当前命名空间中。这些操作都需要一定的时间和内存。当你不必要地导入模块时，就会增加这些开销。
八、避免使用全局变量
import math
size=10000
def fun1():
for i in range(size):
for j in range(size):
z = math.sqrt(i) + math.sqrt(j)
# 程序运行时间：15.630933800013736 许多程序员刚开始会用 Python 语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不少。通过将脚本语句放入到函数中，通常可带来 15% - 30% 的速度提升。
import math
def fun1():
size = 10000
for i in range(size):
for j in range(size):
z = math.sqrt(i) + math.sqrt(j)
# 程序运行时间：14.933845699997619 秒九、避免模块和函数属性访问
import math # 不推荐写法
def fun2(size: int):
result = []
for i in range(size):
result.append(math.sqrt(i))
return result
def fun1():
size = 10000
for _ in range(size):
result = fun2(size)
# 程序运行时间：10.154493000009097 秒每次使用.（属性访问操作符时）会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销。通过from import语句，可以消除属性访问。
from math import sqrt # 推荐写法：用到哪个模块就导哪个模块
def fun2(size: int):
result = []
for i in range(size):
result.append(sqrt(i))
return result
def fun1():
size = 10000
for _ in range(size):
result = fun2(size)
# 程序运行时间：8.960758000030182 秒十、减少内层for循环的计算
import math
def fun1():
size = 10000
sqrt = math.sqrt
for x in range(size):
for y in range(size):
z = sqrt(x) + sqrt(y) # sqrt() 求非负实数的平方根
# 程序运行时间：14.267008299939334 秒在上面代码中sqrt(x)位于内测for循环，每次循环都会重新计算，增加不必要的时间开销
import math
def fun1():
size = 10000
sqrt = math.sqrt
for x in range(size):
sqrt_x=sqrt(x) # 在外层for循环进行计算
for y in range(size):
z = sqrt_x + sqrt(y)
# 程序运行时间：8.499037600005977 秒总结
通过这些方法，我们可以有效地提高Python代码的性能，使其在处理复杂任务时更加快速和高效。记住，性能优化是一个持续的过程，需要根据具体情况不断调整和改进，python运行速度的优化方法不限于以上方法，还有很多，如有大佬路过，请多指教。
扫一扫
1470
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
