原标题：代码跑得慢甩锅Python？手把手教你如何给代码提速30%

来源丨Medium

编译丨王转转

大数据文摘出品

https://mp.weixin.qq.com/s/bY3REj6qVw0M1NkhfQaj2g

Python已经得到了全球程序员的喜爱，但是还是遭到一些人的诟病，原因之一就是认为它运行缓慢。

其实某个特定程序(无论使用何种编程语言)的运行速度是快还是慢，在很大程度上取决于编写该程序的开发人员自身素质，以及他们编写优化而高效代码的能力。

Medium上一位小哥就详细讲了讲如何让python提速30%，以此证明代码跑得慢不是python的问题，而是代码本身的问题。

时序分析

在开始进行任何优化之前，我们首先需要找出代码的哪些部分使整个程序变慢。有时程序的问题很明显，但是如果你一时不知道问题出在哪里，那么这里有一些可能的选项：

注意：这是我将用于演示的程序，它将进行指数计算(取自Python文档)：

# slow_program. py

from decimal import *

def exp( x):

getcontext.prec += 2

i, lasts, s, fact, num = 0, 0, 1, 1, 1

whiles != lasts:

lasts = s

i += 1

fact *= i

num *= x

s += num / fact

getcontext.prec -= 2

return+s

exp(Decimal( 150))

exp(Decimal( 400))

exp(Decimal( 3000))

最简约的“配置文件”

首先，最简单最偷懒的方法——Unix时间命令。

~ $ time python3 .8slow_program.py

real0m11, 058s

user 0m11, 050s

sys 0m0, 008s

如果你只能直到整个程序的运行时间，这样就够了，但通常这还远远不够。

最详细的分析

另外一个指令是cProfile，但是它提供的信息过于详细了。

~ $ python3. 8- mcProfile -s time slow_program. py

1297functioncalls(1272 primitive calls)in11.081 seconds

Ordered by: internal time

ncalls tottime percall cumtime percall filename:lineno( function)

311.0793.69311.0793.693slow_program. py: 4( exp)

10.0000.0000.0020.002{built-in method _imp.create_dynamic}

4/ 10.0000.00011.08111.081{built-in method builtins.exec}

60.0000.0000.0000.000{built-in method __new__ of typeobject at 0x9d12c0}

60.0000.0000.0000.000abc. py: 132(__new__)

230.0000.0000.0000.000_weakrefset. py: 36(__init__)

2450.0000.0000.0000.000{built-in method builtins.getattr}

20.0000.0000.0000.000{built-in method marshal.loads}

100.0000.0000.0000.000: 1233(find_spec)

8/ 40.0000.0000.0000.000abc. py: 196(__subclasscheck__)

150.0000.0000.0000.000{built-in method posix.stat}

60.0000.0000.0000.000{built-in method builtins.__build_class__}

10.0000.0000.0000.000__init__. py: 357(namedtuple)

480.0000.0000.0000.000: 57(_path_join)

480.0000.0000.0000.000: 59( )

10.0000.00011.08111.081slow_program. py: 1( )

在这里，我们使用cProfile模块和time参数运行测试脚本，以便按内部时间(cumtime)对行进行排序。这给了我们很多信息，你在上面看到的行大约是实际输出的10％。由此可见，exp函数是罪魁祸首，现在我们可以更详细地了解时序和性能分析。

时序特定功能

现在我们知道了应当主要关注哪里，我们可能想对运行速度缓慢的函数计时，而不用测量其余的代码。为此，我们可以使用一个简单的装饰器：

deftimeit_wrapper(func):

@wraps(func)

defwrapper(*args, **kwargs):

start = time.perf_counter # Alternatively, you can use time.process_time

func_return_val = func(*args, **kwargs)

end= time.perf_counter

print( '{0:<10}.{1:<8} : {2:<8}'.format(func.__module_ _, func.__name_ _, end- start))

returnfunc_return_val

returnwrapper

然后可以将此装饰器应用于待测功能，如下所示：

@timeit_wrapper

def exp( x):

...

print( '{0:<10} {1:<8} {2:^8}'.format( 'module', 'function', 'time'))

exp(Decimal( 150))

exp(Decimal( 400))

exp(Decimal( 3000))

这给出我们如下输出：

~ $ python3. 8slow_program. py

module functiontime

__main__ . exp: 0.003267502994276583

__main__ . exp: 0.038535295985639095

__main__ . exp: 11.728486061969306

需要考虑的一件事是我们实际想要测量的时间。时间包提供time.perf_counter和time.process_time两个函数。他们的区别在于perf_counter返回的绝对值，包括你的Python程序进程未运行时的时间，因此它可能会受到计算机负载的影响。另一方面，process_time仅返回用户时间(不包括系统时间)，这仅是你的过程时间。

加速吧！

让Python程序运行得更快，这部分会很有趣！我不会展示可以解决你的性能问题的技巧和代码，更多地是关于构想和策略的，这些构想和策略在使用时可能会对性能产生巨大影响，在某些情况下，可以将速度提高30％。

使用内置数据类型

这一点很明显。内置数据类型非常快，尤其是与我们的自定义类型(例如树或链接列表)相比。这主要是因为内置程序是用C实现的，因此在使用Python进行编码时我们的速度实在无法与之匹敌。

使用lru_cache缓存/记忆

我已经在上一篇博客中展示了此内容，但我认为值得用简单的示例来重复它：

importfunctools

importtime

# caching up to 12 different results

@functools.lru_cache(maxsize=12)

defslow_func(x):

time.sleep( 2) # Simulate long computation

returnx

slow_func( 1) # ... waiting for 2 sec before getting result

slow_func( 1) # already cached - result returned instantaneously!

slow_func( 3) # ... waiting for 2 sec before getting result

上面的函数使用time.sleep模拟大量计算。第一次使用参数1调用时，它将等待2秒钟，然后才返回结果。再次调用时，结果已经被缓存，因此它将跳过函数的主体并立即返回结果。有关更多实际示例，请参见以前的博客文章。

使用局部变量

这与在每个作用域中查找变量的速度有关，因为它不只是使用局部变量还是全局变量。实际上，即使在函数的局部变量(最快)，类级属性(例如self.name——较慢)和全局(例如，导入的函数)如time.time(最慢)之间，查找速度实际上也有所不同。

你可以通过使用看似不必要的分配来提高性能，如下所示：

# Example #1

classFastClass:

defdo_stuff(self):

temp = self.value # this speeds up lookup in loop

fori inrange( 10000):

... # Do something with `temp` here

# Example #2

importrandom

deffast_function:

r = random.random

fori inrange( 10000):

print(r) # calling `r` here, is faster than global random.random

使用函数

这似乎违反直觉，因为调用函数会将更多的东西放到堆栈上，并从函数返回中产生开销，但这与上一点有关。如果仅将整个代码放在一个文件中而不将其放入函数中，则由于全局变量，它的运行速度会慢得多。因此，你可以通过将整个代码包装在main函数中并调用一次来加速代码，如下所示：

defmain:

... # All your previously global code

main

不访问属性

可能会使你的程序变慢的另一件事是点运算符(.)，它在获得对象属性时被使用。此运算符使用__getattribute__触发字典查找，这会在代码中产生额外的开销。那么，我们如何才能真正避免(限制)使用它呢？

# Slow:

importre

defslow_func:

fori inrange( 10000):

re.findall(regex, line) # Slow!

# Fast:

fromre importfindall

deffast_func:

fori inrange( 10000):

findall(regex, line) # Faster!

当心字符串

使用模数(％s)或.format进行循环运行时，字符串操作可能会变得非常慢。我们有什么更好的选择？根据雷蒙德·海廷格(Raymond Hettinger)最近的推特，我们唯一应该使用的是f字符串，它是最易读，最简洁且最快的方法。根据该推特，这是你可以使用的方法列表——最快到最慢：

f' {s}{t}'# Fast!

s + ' '+ t

' '.join((s, t))

'%s %s'% (s, t)

'{} {}'.format(s, t)

Template( '$s $t').substitute(s=s, t=t) # Slow!

生成器本质上并没有更快，因为它们被允许进行延迟计算，从而节省了内存而不是时间。但是，保存的内存可能会导致你的程序实际运行得更快。这是怎么做到的？如果你有一个很大的数据集，而没有使用生成器(迭代器)，那么数据可能会溢出CPU L1缓存，这将大大减慢内存中值的查找速度。

在性能方面，非常重要的一点是CPU可以将正在处理的所有数据尽可能地保存在缓存中。你可以观看Raymond Hettingers的视频，他在其中提到了这些问题。

结论

优化的首要规则是不要优化。但是，如果确实需要，那么我希望上面这些技巧可以帮助你。但是，在优化代码时要小心，因为它可能最终使你的代码难以阅读，因此难以维护，这可能超过优化的好处。

相关报道：

https://towardsdatascience.com/making-python-programs-blazingly-fast-c1cd79bd1b32

长

按

关

责任编辑：