python代码怎么运行_如何让Python代码加速运行?
Python 是一种脚本语言,相比 C/C++ 这样的编译语言,在效率和性能方面存在一些不足。但是,有很多时候,Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。
0. 代码优化原则
本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前,需要了解一些代码优化基本原则。
第一个基本原则是不要过早优化。很多人一开始写代码就奔着性能优化的目标,“让正确的程序更快要比让快速的程序正确容易得多”。因此,优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握,在得到全局结果前不要主次颠倒。
第二个基本原则是权衡优化的代价。优化是有代价的,想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外,开发代价也需要考虑。
第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化,这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢,首先要找到代码运行慢的位置,通常是内部循环,专注于运行慢的地方进行优化。在其他地方,一点时间上的损失没有什么影响。
1. 避免全局变量
# 不推荐写法。代码耗时:26.8秒import mathsize = 10000for x in range(size): for y in range(size): z = math.sqrt(x) + math.sqrt(y)
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。
# 推荐写法。代码耗时:20.6秒import mathdef main(): # 定义到函数中,以减少全部变量使用 size = 10000 for x in range(size): for y in range(size): z = math.sqrt(x) + math.sqrt(y)main()
2. 避免.(属性访问操作符)
2.1 避免模块和函数属性访问
# 不推荐写法。代码耗时:14.5秒import mathdef computeSqrt(size: int): result = [] for i in range(size): result.append(math.sqrt(i)) return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main()
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。
# 第一次优化写法。代码耗时:10.9秒from math import sqrtdef computeSqrt(size: int): result = [] for i in range(size): result.append(sqrt(i)) # 避免math.sqrt的使用 return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main()
在第 1 节中我们讲到,局部变量的查找会比全局变量更快,因此对于频繁访问的变量sqrt,通过将其改为局部变量可以加速运行。
# 第二次优化写法。代码耗时:9.9秒import mathdef computeSqrt(size: int): result = [] sqrt = math.sqrt # 赋值给局部变量 for i in range(size): result.append(sqrt(i)) # 避免math.sqrt的使用 return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main()
除了math.sqrt外,computeSqrt函数中还有.的存在,那就是调用list的append方法。通过将该方法赋值给一个局部变量,可以彻底消除computeSqrt函数中for循环内部的.使用。
# 推荐写法。代码耗时:7.9秒import mathdef computeSqrt(size: int): result = [] append = result.append sqrt = math.sqrt # 赋值给局部变量 for i in range(size): append(sqrt(i)) # 避免 result.append 和 math.sqrt 的使用 return resultdef main(): size = 10000 for _ in range(size): result = computeSqrt(size)main()
2.2 避免类内属性访问
# 不推荐写法。代码耗时:10.4秒import mathfrom typing import Listclass DemoClass: def __init__(self, value: int): self._value = value def computeSqrt(self, size: int) -> List[float]: result = [] append = result.append sqrt = math.sqrt for _ in range(size): append(sqrt(self._value)) return resultdef main(): size = 10000 for _ in range(size): demo_instance = DemoClass(size) result = demo_instance.computeSqrt(size)main()
避免.的原则也适用于类内属性,访问self._value的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量,可以提升代码运行速度。
# 推荐写法。代码耗时:8.0秒import mathfrom typing import Listclass DemoClass: def __init__(self, value: int): self._value = value def computeSqrt(self, size: int) -> List[float]: result = [] append = result.append sqrt = math.sqrt value = self._value for _ in range(size): append(sqrt(value)) # 避免 self._value 的使用 return resultdef main(): size = 10000 for _ in range(size): demo_instance = DemoClass(size) demo_instance.computeSqrt(size)main()
3. 避免不必要的抽象
# 不推荐写法,代码耗时:0.55秒class DemoClass: def __init__(self, value: int): self.value = value @property def value(self) -> int: return self._value @value.setter def value(self, x: int): self._value = xdef main(): size = 1000000 for i in range(size): demo_instance = DemoClass(size) value = demo_instance.value demo_instance.value = imain()
任何时候当你使用额外的处理层(比如装饰器、属性访问、描述器)去包装代码时,都会让代码变慢。大部分情况下,需要重新进行审视使用属性访问器的定义是否有必要,使用getter/setter函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格。如果真的没有必要,就使用简单属性。
# 推荐写法,代码耗时:0.33秒class DemoClass: def __init__(self, value: int): self.value = value # 避免不必要的属性访问器def main(): size = 1000000 for i in range(size): demo_instance = DemoClass(size) value = demo_instance.value demo_instance.value = imain()
4. 避免数据复制
4.1 避免无意义的数据复制
# 不推荐写法,代码耗时:6.5秒def main(): size = 10000 for _ in range(size): value = range(size) value_list = [x for x in value] square_list = [x * x for x in value_list]main()
上面的代码中value_list完全没有必要,这会创建不必要的数据结构或复制。
# 推荐写法,代码耗时:4.8秒def main(): size = 10000 for _ in range(size): value = range(size) square_list = [x * x for x in value] # 避免无意义的复制main()
另外一种情况是对 Python 的数据共享机制过于偏执,并没有很好地理解或信任 Python 的内存模型,滥用 copy.deepcopy()之类的函数。通常在这些代码中是可以去掉复制操作的。
4.2 交换值时不使用中间变量
# 不推荐写法,代码耗时:0.07秒def main(): size = 1000000 for _ in range(size): a = 3 b = 5 temp = a a = b b = tempmain()
上面的代码在交换值时创建了一个临时变量temp,如果不借助中间变量,代码更为简洁、且运行速度更快。
# 推荐写法,代码耗时:0.06秒def main(): size = 1000000 for _ in range(size): a = 3 b = 5 a, b = b, a # 不借助中间变量main()
4.3 字符串拼接用join而不是+
# 不推荐写法,代码耗时:2.6秒import stringfrom typing import Listdef concatString(string_list: List[str]) -> str: result = '' for str_i in string_list: result += str_i return resultdef main(): string_list = list(string.ascii_letters * 100) for _ in range(10000): result = concatString(string_list)main()
当使用a + b拼接字符串时,由于 Python 中字符串是不可变对象,其会申请一块内存空间,将a和b分别复制到该新申请的内存空间中。因此,如果要拼接 个字符串,会产生 个中间结果,每产生一个中间结果都需要申请和复制一次内存,严重影响运行效率。而使用join()拼接字符串时,会首先计算出需要申请的总的内存空间,然后一次性地申请所需内存,并将每个字符串元素复制到该内存中去。
# 推荐写法,代码耗时:0.3秒import stringfrom typing import Listdef concatString(string_list: List[str]) -> str: return ''.join(string_list) # 使用 join 而不是 +def main(): string_list = list(string.ascii_letters * 100) for _ in range(10000): result = concatString(string_list)main()
5. 利用if条件的短路特性
# 不推荐写法,代码耗时:0.05秒from typing import Listdef concatString(string_list: List[str]) -> str: abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'} abbr_count = 0 result = '' for str_i in string_list: if str_i in abbreviations: result += str_i return resultdef main(): for _ in range(10000): string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.'] result = concatString(string_list)main()
if 条件的短路特性是指对if a and b这样的语句, 当a为False时将直接返回,不再计算b;对于if a or b这样的语句,当a为True时将直接返回,不再计算b。因此, 为了节约运行时间,对于or语句,应该将值为True可能性比较高的变量写在or前,而and应该推后。
# 推荐写法,代码耗时:0.03秒from typing import Listdef concatString(string_list: List[str]) -> str: abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'} abbr_count = 0 result = '' for str_i in string_list: if str_i[-1] == '.' and str_i in abbreviations: # 利用 if 条件的短路特性 result += str_i return resultdef main(): for _ in range(10000): string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.'] result = concatString(string_list)main()
6. 循环优化
6.1 用for循环代替while循环
# 不推荐写法。代码耗时:6.7秒def computeSum(size: int) -> int: sum_ = 0 i = 0 while i
Python 的for循环比while循环快不少。
# 推荐写法。代码耗时:4.3秒def computeSum(size: int) -> int: sum_ = 0 for i in range(size): # for 循环代替 while 循环 sum_ += i return sum_def main(): size = 10000 for _ in range(size): sum_ = computeSum(size)main()
6.2 使用隐式for循环代替显式for循环
针对上面的例子,更进一步可以用隐式for循环来替代显式for循环
# 推荐写法。代码耗时:1.7秒def computeSum(size: int) -> int: return sum(range(size)) # 隐式 for 循环代替显式 for 循环def main(): size = 10000 for _ in range(size): sum = computeSum(size)main()
6.3 减少内层for循环的计算
# 不推荐写法。代码耗时:12.8秒import mathdef main(): size = 10000 sqrt = math.sqrt for x in range(size): for y in range(size): z = sqrt(x) + sqrt(y)main()
上面的代码中sqrt(x)位于内侧for循环, 每次训练过程中都会重新计算一次,增加了时间开销。
# 推荐写法。代码耗时:7.0秒import mathdef main(): size = 10000 sqrt = math.sqrt for x in range(size): sqrt_x = sqrt(x) # 减少内层 for 循环的计算 for y in range(size): z = sqrt_x + sqrt(y)main()
7. 使用numba.jit
我们沿用上面介绍过的例子,在此基础上使用numba.jit。numba可以将 Python 函数 JIT 编译为机器码执行,大大提高代码运行速度。关于numba的更多信息见下面的主页:
http://numba.pydata.org/numba.pydata.org
# 推荐写法。代码耗时:0.62秒import numba@numba.jitdef computeSum(size: float) -> int: sum = 0 for i in range(size): sum += i return sumdef main(): size = 10000 for _ in range(size): sum = computeSum(size)main()
8. 选择合适的数据结构
Python 内置的数据结构如str, tuple, list, set, dict底层都是 C 实现的,速度非常快,自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。
list类似于 C++ 中的std::vector,是一种动态数组。其会预分配一定内存空间,当预分配的内存空间用完,又继续向其中添加元素时,会申请一块更大的内存空间,然后将原有的所有元素都复制过去,之后销毁之前的内存空间,再插入新元素。删除元素时操作类似,当已使用内存空间比预分配内存空间的一半还少时,会另外申请一块小内存,做一次元素复制,之后销毁原有大内存空间。因此,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 复杂度的插入和删除操作。
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。
另外一个常见需求是查找极小值或极大值,此时可以使用heapq模块将list转化为一个堆,使得获取最小值的时间复杂度是 。
下面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度:
TimeComplexity - Python Wikiwiki.python.org
原文来自:http://suo.im/5Ee6jm
python代码怎么运行_如何让Python代码加速运行?相关推荐
- python画爱心的代码怎么运行_怎么用python实现画爱心
Python中可以使用turtle库来画图,通过控制画笔运动来实现在画布上画图案. 使用Python画爱心代码如下:#!/usr/bin/env python # -*- coding:utf-8 - ...
- 三百行python代码的项目_使用300行代码创建一个分布式系统
使用 300 行代码创建一个分布式系统 构建一个分布式系统是很困难的. 它需要可扩展性. 容错性. 高可用性. 一致性. 可伸缩以及高效.为了达到这些目的,分布式系统需要很多复杂的组件以一 种 复杂的 ...
- python dicom 器官分割_图像识别 | 使用Python对医学Dicom文件的预处理(含代码)
前沿 在处理医学图像时,常常会遇到以Dicom格式保存的医学图像,如CT.MRI等.Dicom文件是需要专门的软件或者通过编程,应用相应的库进行处理.为了能够更好地服务下游任务,例如分割或检测腹腔CT ...
- 代码流程图生成器_【进阶Python】第五讲:迭代器与生成器
点击蓝字关注我 迭代是Python中常用且非常强大的一个功能,它可以用于访问集合.列表.字符串.字典等数据结构的元素.我们经常使用循环和条件语句,我们也清楚哪些是可以迭代访问,但是具体它们之间有什么有 ...
- github的python代码怎么跑_如何利用Python模拟GitHub登录详解
前言 最近学习了Fiddler抓包工具的简单使用,通过抓包,我们可以抓取到HTTP请求,并对其进行分析.现在我准备尝试着结合Python来模拟GitHub登录. Fiddler抓包分析 首先,我们想要 ...
- python打开文件切片_收藏 | 从Python安装到语法基础,小白都能懂的爬虫教程!(附代码)...
来源:大数据 作者:罗攀 蒋仟 本文约5000字,建议阅读20分钟. 本文立足基础,讲解Python和PyCharm的安装,及Python最简单的语法基础和爬虫技术中所需的Python语法. 本文涉及 ...
- python接口自动化测试书籍_干货丨Python接口测试自动化实战及代码示例:含get、post等方法...
引言:年初参与到一个后台系统开发的项目中,里面涉及了很多接口,我做为项目组测试人员,需要对这些接口进行测试,一开始使用 postman 工具测试,很是方便.但随着接口数量的增加,不光要执行手动点击测试 ...
- python星空画法教程_对比几段代码,看看你是 Python 菜鸟还是老鸟
Python 里有个小彩蛋: 在 Python Shell 里输入 import this 这段话被称作"Python 之禅"(The Zen of Python),它列举了一些 ...
- python测试代码怎么写_如何使用python做单元测试?
很多编程小白不太理解单元测试,为什么要进行单元测试呢?很简单,主要是提高代码的正确,同时确保重构不出错.接下来我们一起学习怎么用python做单元测试吧. python内置了一个unittest,但是 ...
- python idle连接失败_不能通过IDLE从Explorer运行Python [2013] - IDLE的子进程没有连接...
解决了2013 年4月15日.在Windows 7(64位)Windows资源管理器中,当我右键单击一个Python文件并选择"使用IDLE编辑"时,编辑器正常打开,但是当我运行( ...
最新文章
- asp.net 点击查询跳转到查询结果页面_个体户如何办理和查询定期定额业务?
- 枚举类型是怎样定义的?有什么用途?_为什么受伤后会留疤?疤分那些类型?留疤后该怎样处理?...
- CLOUD 04:zookeeper,kafka,hadoop高可用
- 常考数据结构与算法:查找第K大元素算法
- python elif 用法_Python入门高级教程--Python 条件语句
- 用代码来说明,为什么需要面向扩展的设计
- jmeter吞吐量_深入理解Jmeter常用定时器
- 里怎么做页眉页脚_这年头县城里在家做的电商利润怎么样
- SpringMVC介绍之约定优于配置
- threading注意点(python 版)
- 2021新鲜出炉软件测试的真实面试题(一篇足以)
- linux 无线网络特别慢,Ubuntu 16.04 LTS连接无线上网慢的解决
- php计算股票均线,php写智能选股,股票回测系统之--MACD指标计算方法及实例
- win10计算机管理里找不到设备管理器的解决方法
- 马化腾为什么要怼朱啸虎,只因OFO套路太深
- linux车机系统怎么进工厂模式,工厂方法模式 - 跟JBPM学习设计模式_Linux编程_Linux公社-Linux系统门户网站...
- 设计模式-合成复用原则-》面向对象设计原则
- SpringBoot+JPA 项目启动失败,无法扫描到Repository
- 如何解决flex:1撑开父元素问题
- Gerrit+Nginx