8个 可以让 Python 加速的 tips

2024-05-15 11:48
文章标签 python 加速 tips

本文主要是介绍8个 可以让 Python 加速的 tips,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

这是「进击的Coder」的第 503 篇技术分享

作者:知乎-张皓

来源:https://zhuanlan.zhihu.com/p/143052860

阅读本文大概需要 15 分钟。

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 = 10000
for 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 = 10000for x in range(size):for y in range(size):z = math.sqrt(x) + math.sqrt(y)main()

2. 避免.

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 = 10000for _ 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__()__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 = 10000for _ 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 = 10000for _ 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listappend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.appendsqrt = 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 = 10000for _ 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 math
from typing import Listclass DemoClass:def __init__(self, value: int):self._value = valuedef computeSqrt(self, size: int) -> List[float]:result = []append = result.appendsqrt = math.sqrtfor _ in range(size):append(sqrt(self._value))return resultdef main():size = 10000for _ 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 math
from typing import Listclass DemoClass:def __init__(self, value: int):self._value = valuedef computeSqrt(self, size: int) -> List[float]:result = []append = result.appendsqrt = math.sqrtvalue = self._valuefor _ in range(size):append(sqrt(value))  # 避免 self._value 的使用return resultdef main():size = 10000for _ 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@propertydef value(self) -> int:return self._value@value.setterdef value(self, x: int):self._value = xdef main():size = 1000000for i in range(size):demo_instance = DemoClass(size)value = demo_instance.valuedemo_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 = 1000000for i in range(size):demo_instance = DemoClass(size)value = demo_instance.valuedemo_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 = 10000for _ 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 = 10000for _ 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

# 不推荐写法,代码耗时:0.07秒
def main():size = 1000000for _ in range(size):a = 3b = 5temp = aa = bb = 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 = 1000000for _ in range(size):a = 3b = 5a, 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 string
from typing import Listdef concatString(string_list: List[str]) -> str:result = ''for str_i in string_list:result += str_ireturn 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ab分别复制到该新申请的内存空间中。因此,如果要拼接 n 个字符串,会产生 n-1 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 string
from 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 = 0result = ''for str_i in string_list:if str_i in abbreviations:result += str_ireturn 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aFalse时将直接返回,不再计算b;对于if a or b这样的语句,当aTrue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 = 0result = ''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_ireturn 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_ = 0i = 0while i < size:sum_ += ii += 1return sum_def main():size = 10000for _ in range(size):sum_ = computeSum(size)main()

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_ = 0for i in range(size):  # for 循环代替 while 循环sum_ += ireturn sum_def main():size = 10000for _ 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 = 10000for _ 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 = 10000sqrt = math.sqrtfor 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 = 10000sqrt = math.sqrtfor 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.jitnumba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.jit
def computeSum(size: float) -> int:sum = 0for i in range(size):sum += ireturn sumdef main():size = 10000for _ 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.dequecollections.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。

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 O(1)

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/moin/TimeComplexity

参考资料

  • David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013.

  • 张颖 & 赖勇浩. 编写高质量代码:改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.

f07dbe58e0602857c29a38d066fbbf6f.png

End

「进击的Coder」专属学习群已正式成立,搜索「CQCcqc4」添加崔庆才的个人微信或者扫描下方二维码拉您入群交流学习。

558a3acaa9d6066506bc6b799c2d51a4.png

看完记得关注@进击的Coder

及时收看更多好文

↓↓↓

崔庆才的「进击的Coder」知识星球已正式成立,感兴趣的可以查看《我创办了一个知识星球》了解更多内容,欢迎您的加入:

5c91c764fcf468a0cc33fd231fa71b96.png

7af27388692deed9cea2e14c61d83f5b.png

点个在看你最好看

outside_default.png

这篇关于8个 可以让 Python 加速的 tips的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/991756

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

HTML提交表单给python

python 代码 from flask import Flask, request, render_template, redirect, url_forapp = Flask(__name__)@app.route('/')def form():# 渲染表单页面return render_template('./index.html')@app.route('/submit_form',

Python QT实现A-star寻路算法

目录 1、界面使用方法 2、注意事项 3、补充说明 用Qt5搭建一个图形化测试寻路算法的测试环境。 1、界面使用方法 设定起点: 鼠标左键双击,设定红色的起点。左键双击设定起点,用红色标记。 设定终点: 鼠标右键双击,设定蓝色的终点。右键双击设定终点,用蓝色标记。 设置障碍点: 鼠标左键或者右键按着不放,拖动可以设置黑色的障碍点。按住左键或右键并拖动,设置一系列黑色障碍点

Python:豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】

**爬取豆瓣电影信息,分析近年电影行业的发展情况** 本文是完整的数据分析展现,代码有完整版,包含豆瓣电影爬取的具体方式【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】   最近MBA在学习《商业数据分析》,大实训作业给了数据要进行数据分析,所以先拿豆瓣电影练练手,网络上爬取豆瓣电影TOP250较多,但对于豆瓣电影全数据的爬取教程很少,所以我自己做一版。 目

【Python报错已解决】AttributeError: ‘list‘ object has no attribute ‘text‘

🎬 鸽芷咕:个人主页  🔥 个人专栏: 《C++干货基地》《粉丝福利》 ⛺️生活的理想,就是为了理想的生活! 文章目录 前言一、问题描述1.1 报错示例1.2 报错分析1.3 解决思路 二、解决方法2.1 方法一:检查属性名2.2 步骤二:访问列表元素的属性 三、其他解决方法四、总结 前言 在Python编程中,属性错误(At