这七个100%提高Python代码性能的技巧，一定要知道

最新推荐文章于 2024-05-09 17:51:30 发布

啥都生

最新推荐文章于 2024-05-09 17:51:30 发布

阅读量1.9k

点赞数

分类专栏： Python 文章标签： python 人工智能

本文链接：https://blog.csdn.net/zzh516451964zzh/article/details/129227561

版权

Python 专栏收录该内容

24 篇文章 19 订阅

订阅专栏

B站|公众号：啥都会一点的研究生

1. 优化代码性能和速度的技巧

使用内置函数和库：Python 有很多高度优化的内置函数和库，可以节省大量时间和资源；
避免使用全局变量：全局变量可以从程序中的任何位置访问，可能会降低代码速度，所以尽可能使用局部变量；
使用列表推导式：这个在我之前的教程中也常说到，列表推导式比 for 循环更快，更简洁，并且用更少的代码行执行相同的操作；
避免使用递归：递归函数可能会减慢代码速度，因为会占用大量内存；
使用 NumPy 和 SciPy：这俩可以大大帮助优化用于科学和数学计算的代码；
使用Cython来加速代码的关键部分，可以编译成C，使得速度更快；
在执行计算时使用“矢量化操作”和“广播”；
使用多进程、多线程或异步来利用多个 CPU同时运行多个任务；

2. 使用高级功能，如装饰器、生成器和元类

装饰器：装饰器是一种修改函数或类行为的方法。 通常用于在不更改底层代码的情况下添加功能，例如日志记录或记忆（老八股了）；
生成器：生成器是一种在 Python 中创建迭代器的方法。 允许迭代大型数据集而无需将整个数据集加载到内存中，对于读取大文件或处理大量数据等任务很有帮助
元类：元类是一种创建可用于创建其他类的类的方法。可用于为类定义自定义行为，例如添加方法或属性。还可以用于创建元编程，允许编写生成其他代码的代码；
协程：协程是一种在Python中创建并发和异步代码的方法。允许同时执行多个任务，并且它们可用于创建简单、轻量级的线程；
函数注解：函数注解是一种为函数添加元数据的方式，可以用来提供函数参数、返回值和类型的更多信息，也可以用来指定函数参数和返回值的类型；
上下文管理器：上下文管理器是一种以安全高效的方式处理资源（常用的如文件）的方法。允许定义使用资源的上下文，并自动处理资源的打开和关闭；
枚举：枚举是一种定义一组命名值的方法，可以用作整数和字符串的替换。使用 Enum 类创建；
Namedtuples：Namedtuples是具有命名字段的元组的子类，可以通过名称而不是索引来访问字段。使用namedtuple函数创建

3.调试和处理错误的一些技巧

使用内置的 Python 调试器 (pdb)：内置的 Python 调试器是一个强大的工具，允许逐行调试代码、检查变量和设置断点；
使用 print 语句（也是我很多场景下喜欢用的哈哈哈）：将 print 语句添加到代码，通过提供程序执行流程和变量值的打印来帮助确定问题的根源；
使用 linter：linter 是一种检查代码是否存在语法错误和潜在错误的工具。可以在运行代码之前捕获错误；
使用单元测试框架：单元测试允许单独测试一小段代码，从而更容易查明错误的来源；
使用日志库：日志库记录有关程序执行的信息，例如变量值和执行流程。对于跟踪不常发生的错误或了解程序随时间变化的行为很有用；
使用try-except块：Try-except 块通过捕获错误并提供替代执行流程来优雅地处理错误，可以帮助编写健壮且容错的代码；
使用assert语句：assert 语句检查给定条件是否为真，如果为假则引发异常。用于检查输入的完整性并可用作调试辅助工具；
使用日志模块：日志模块记录不同级别的消息，可用于记录调试、信息、警告、错误和关键消息；
使用traceback模块：traceback 模块提取异常的堆栈跟踪，对于了解错误原因和定位代码中的故障点很有用；
使用错误跟踪系统：错误跟踪系统记录、跟踪和管理错误，并跟踪错误修复的进度；

4. 编写干净易读代码的技巧

使用有意义的变量和函数名称：为变量和函数使用准确反映其用途和用途的清晰、描述性名称（这个太重要了，上学期间总喜欢乱写）
使用空格和缩进：一致地使用空格和缩进来分隔代码块并使代码结构清晰；
使用注释：使用注释来解释代码的目的和代码中任何不清晰的部分；
保持单行简短：将代码行的长度限制在 80 个字符左右
使用统一的命名约定：例如变量名使用 snake_case，类名使用 CamelCase。
保持函数体小且专注于某个任务：使得更容易重用和更容易理解，著名的就是main函数写了成百上千行
使用文档字符串（docstrings）：记录目的、参数、返回函数和类的值；
遵循 PEP-8 风格指南：该指南提供了编写干净可读的 Python 代码指南。涵盖缩进、命名约定和空格等。遵循这些准则将使代码更加一致并且更易于他人阅读；

5. 使用高级数据结构，如集合、字典和元组

Python 提供了多种高级数据结构，可用于以强大而高效的方式存储和操作数据。这些数据结构包括集合、字典和元组。

集合：集合是唯一元素的无序集合。集合通常用于成员测试、从列表中删除重复项以及交集和并集等数学运算。使用大括号 {} 或 set() 构造函数定义。例如 my_set = {1, 2, 3, 4}
字典：字典是键值对的无序集合。字典通常用于查找、计数和排序。使用花括号 {} 定义，键和值由冒号分隔。例如 my_dict = {‘geeks’: 1, ‘for’: 2, ‘geeks’: 3}
元组：元组是元素的有序集合。元组类似于列表，但它是不可变的，意味着它们的元素一旦创建就无法修改。使用括号 () 或 tuple() 构造函数定义。例如 my_tuple = (1, 2, 3, 4)

这些数据结构可以以多种方式使用来解决不同问题。例如，可以使用集合来快速检查某个元素是否已存在于数据集中，使用字典来高效地存储和检索数据，使用元组将多个值组合在一起并将它们用作单个实体。
重要的是，每种数据结构都有自己的优缺点，为特定任务选择正确的数据结构可以大大提高代码的性能和可读性，这哥仨在之前发的文章中都有总结

6. 使用大数据集和内存管理的技巧

处理大型数据集是一项具有挑战性的任务，需要适当的内存管理以避免内存不足，并确保代码高效运行。以下是处理大型数据集和管理内存的一些技巧：

使用内存高效的数据结构：例如，使用内存效率更高的 NumPy，而不是使用 Python 的内置列表数据结构；
使用数据采样：在处理大型数据集时，首先处理较小的数据子集通常很有用。使用随机采样等技术来完成，有助于减少加载和处理数据所需的内存量；
使用延迟加载：延迟加载是一种仅在需要时将数据加载到内存中的技术，而不是一次加载整个数据集；
使用迭代器和生成器：迭代器和生成器是一种处理大型数据集的方法，无需立即将整个数据集加载到内存中，允许一次处理一个数据；
使用基于磁盘的存储：当处理无法放入内存的大型数据集时，将数据存储在磁盘上通常很有用， HDF5 和 Parquet 等热门库允许将大型数据集存储在磁盘上并以内存高效的方式访问；
监控内存使用情况：定期监控程序的内存使用情况可以帮助识别和修复内存泄漏，并优化程序的内存使用情况。 Python 提供了 memory_profiler 和 psutil 等库来监控内存使用情况；

7. 处理字符串、数字和其他数据类型的技术

字符串格式化：Python 使用 format() 方法和 f-strings 提供高级字符串格式化技术。允许将动态值插入字符串并使它们更具可读性。例如，使用“My name is {}”.format(“John”) 将值“John”插入到字符串中；
正则表达式：Python 提供了一个名为 re 的模块使用正则表达式。正则表达式是搜索、匹配和操作字符串的强大工具；
字符串方法：Python 提供了多种可用于操作字符串的字符串方法。包括但不限于 .strip() 从字符串的开头和结尾删除空格， .split() 将字符串拆分为子字符串列表，以及 .replace() 将特定子字符串替换；
数字格式化：Python 同样使用 format() 方法和 f-strings 提供高级数字格式化技术，类似于对字符串执行的操作，可以控制小数位数、千位分隔符的存在以及其他格式设置选项；
类型转换：Python 提供了 int()、float() 和 str() 等函数，可用于将一种数据类型转换为另一种数据类型。这在处理不同类型的数据时非常有用；
小数精度：Python 的 decimal 模块提供了一个 Decimal 类，可以用来进行高精度的小数运算。对于浮点数精度可能不够的金融和货币计算很有帮助；
高级数学运算：Python 提供了一个数学模块，该模块提供高级数学函数，例如三角函数、对数、指数等。又得提到NumPy，该库也提供了这些操作的高效实现，例如矩阵操作等。

以上就是目前整理的提高Python编程水平的技巧，有任何错误欢迎指出，期待与你们共成长~

欢迎关注公众号【啥都会一点的研究生】，更多动向与干货第一时间发在此处

我是啥都生，下期再见！