掌握这8个提高 Python 运行速度的小技巧，加鸡腿是没问题的！_sqrt

相关文章推荐

机灵的绿茶 · 分布（二）利用python绘制密度图_pyt ...· 2 小时前 ·

冷冷的洋葱 · 软件测试|使用python绘制等高线密度图_ ...· 2 小时前 ·

酒量大的大象 · python怎么去掉换行符_python去除 ...· 2 小时前 ·

会开车的滑板 · sqlalchemy ...· 2 小时前 ·

爱跑步的鸡蛋 · LocalDateTime计算年龄 - ...· 1分钟前 ·

另类的扁豆 · Tableau 如何显示列的平均值· 5 月前 ·

拉风的松树 · Webpack入门到精通五（常用配置） - 掘金· 1 年前 ·

烦恼的毛豆 · python下载第三方库的时候报错ERROR ...· 1 年前 ·

心软的水煮肉 · excel 选择不重复的数据-掘金· 1 年前 ·

潇洒的匕首 · Neovim + Lua: how to ...· 1 年前 ·

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 math

size = 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 math

def 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)

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 math

def computeSqrt(size: int):

result = []

for i in range(size):

result.append(math.sqrt(i))

return result

def main:

size = 10000

for _ in range(size):

result = computeSqrt(size)

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 sqrt

def computeSqrt(size: int):

result = []

for i in range(size):

result.append(sqrt(i)) # 避免math.sqrt的使用

return result

def main:

size = 10000

for _ in range(size):

result = computeSqrt(size)

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 math

def 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 result

def main:

size = 10000

for _ in range(size):

result = computeSqrt(size)

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 math

def 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 result

def main:

size = 10000

for _ in range(size):

result = computeSqrt(size)

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 List

class 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 result

def main:

size = 10000

for _ in range(size):

demo_instance = DemoClass(size)

result = demo_instance.computeSqrt(size)

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 List

class 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 result

def main:

size = 10000

for _ in range(size):

demo_instance = DemoClass(size)

demo_instance.computeSqrt(size)

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 = x

def main:

size = 1000000

for i in range(size):

demo_instance = DemoClass(size)

value = demo_instance.value

demo_instance.value = i

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 = i

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]

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

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 = temp

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

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 List

def concatString(string_list: List[str]) -> str:

result = ''

for str_i in string_list:

result += str_i

return result

def main:

string_list = list(string.ascii_letters * 100)

for _ in range(10000):

result = concatString(string_list)

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 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 List

def 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)

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 List

def 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 result

def main:

for _ in range(10000):

string_list = [ 'Mr.' , 'Hat' , 'is' , 'Chasing' , 'the' , 'black' , 'cat' , '.' ]

result = concatString(string_list)

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 List

def 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 result

def main:

for _ in range(10000):

string_list = [ 'Mr.' , 'Hat' , 'is' , 'Chasing' , 'the' , 'black' , 'cat' , '.' ]

result = concatString(string_list)

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 < size:

sum_ += i

i += 1

return sum_

def main:

size = 10000

for _ in range(size):

sum_ = computeSum(size)

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)

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)

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 math

def main:

size = 10000

sqrt = math.sqrt

for x in range(size):

for y in range(size):

z = sqrt(x) + sqrt(y)

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 math

def 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)

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.jit

def computeSum(size: float ) -> int:

sum = 0

for i in range(size):

sum += i

return sum

def main:

size = 10000

for _ in range(size):

sum = computeSum(size)

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 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：https://wiki.python.org/moin/TimeComplexity

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.

作者：张皓

点在看 返回搜狐，查看更多

责任编辑：

声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。