让python运行地超快的10个方法

大部门人使用python是因为它非常方便，而不是因为它速度快。过多的第三方 库 使得python相比于Java和C的性能差距较大。但也是可以理解的，因为在大部分情况下，开发速度优先于执行速度。

但也不要过于担心python的速度，这并不一定是一个非此即彼的命题。经过适当优化，Python应用程序可以以惊人的速度运行——也许还不能达到Java或C语言的速度，但是对于Web应用程序、数据分析、管理和自动化工具以及大多数其他用途来说，速度已经足够快了。快到你可能会忘记了你是在用应用程序性能换取开发人员的生产力。

优化Python性能不能单从一个角度上看。而是应用所有可用的优化方法，并选择最适合当前场景的多种方法的集合。(Dropbox的员工有一个最令人瞠目的例子，展示了 python优化 的强大功能，点击 链接查看 。)

在本文中，我将简单讲述许多常见的 python优化 方法。有些是临时措施，只需要简单地将一项转换为另一项(例如更换Python解释器)，但是那些带来最大收益的方法将需要更详细的工作。

1. 算速度、算速度、算速度！

如果你不能够找出速度慢的原因所在，你就不能确定你的python应用程序为什么运行地不够理想。计算的方法有很多，你可以尝试python内置的 cProfile 模块 进行简单的计算分析，如果需要更高的精度（计算每行语句运行时间），可以使用 line_profiler 第三方 工具 。通常而言，从计算程序的函数运行时间进行分析就能够给你提供改进方案，所以推荐使用 profilehooks 第三方 库 ，它能计算单个函数的运行时间。

你可能需要更多的挖掘才能发现为什么你的程序某个地方这么慢、怎么修复它。重点在于缩小你的排查范围，逐渐细化到某条语句上。

2.缓存需要重复使用的数据

当你可以把需要计算出来的数据保存下来的时候，千万不要重复上千次去计算它。如果你有一个经常需要使用的函数，而且返回的是可预测的结果，Python已经给你提供了一个选项，能将其缓存到内存中。后续的函数调用如果是一样的，将立即返回结果。

有许多方法都可以做到，比如说：使用python的一个本地 库 ：functools，拥有一个装饰器，叫 @functools.lru_cache ，它能够缓存函数最近的N个调用，当缓存的值在特定时间内保持不变的时候这个非常好用，比如说列出最近一天使用的物品。

3.将数学计算重构为NumPy

如果你的Python程序中有基于矩阵或数组的数学运算，并且希望更高效地对它们进行计算，那么你就应该使用NumPy，因为它通过使用C 库 来完成繁重的工作，比原生python解释器能更快得处理数组，而且能比Python内置数据结构更有效地存储数字数据。

NumPy还可以极大地加速相对普通的数学运算。

该包为许多常见的Python数学操作(如min和max)提供了替换，这些操作的速度比原始Python快很多倍。

NumPy的另一个优点是对大型对象(比如包含数百万项的列表)能更有效地使用内存。一般来说，如果用传统的Python表示类似于NumPy中的大型对象，那么它们将占用大约四分之一的内存。

重写Python 算法 以使用NumPy需要做一些工作，因为需要使用NumPy的语法重新声明数组对象。但是NumPy在实际的数学操作中使用Python现有的习惯用法(+、-等等)，所以切换到NumPy并不会让人太迷惑。

4.使用C 库

NumPy使用C编写的 库 是一种很好的方法。

如果现有的C 库 能够满足你的需求，那么Python及其生态系统将提供几个选项来连接到该库并利用其提高速度。

最常用的方法是Python的 ctypes 库 。因为ctypes与其他Python应用程序广泛兼容，所以它是最好的起点，但也并不是唯一的， CFFI 项目为C. Cython提供了一个更优雅的接口(参见下面第五点)，也可以用来包装外部 库 ，代价是你必须学习Cython的标记方法。

5.转换为Cython

如果你非常追求速度，应该用C而不是python，但是对于我这种有python依赖症的人来说，对C天生就有种畏惧。

现在有一个很好的解决办法出来了。

Cython 允许Python用户方便地访问C的速度。现有的Python代码可以逐步转换为C ：首先通过Cython将所述代码编译为C，然后通过添加类型注释以获得更快的速度。

不过，Cython不能变魔术。按原样转换为Cython的代码通常运行速度通常不会加快超过15％到50％，因为该级别的大多数优化都集中在减少Python解释器的开销上。只有在为Cython模块提供类型注释时才允许将相关代码转换为纯C，这时候的速度提升才最大。

6.使用多线程

由于全局解释器锁（GIL）的存在，Python规定一次只执行一个线程，以避免在使用多个线程时出现状态问题。它的存在有充分的理由，但依然很讨厌。

随着时间的推移，GIL的效率显著提高(这是为什么你应该用python3的其中一个原因)，但是核心问题仍然存在。为了解决这个问题，Python提供了多处理模块（ multiprocessing ）来在单独的内核上运行Python解释器的多个进程。状态可以通过共享内存或服务器进程共享，数据可以通过队列或管道在进程实例之间传递。

您仍然必须手动管理进程之间的状态。此外，启动多个Python实例并在它们之间传递对象也会涉及不少开销。尽管如此，多处理 库 还是很有用的。另外，使用了C 库 的Python模块和包(如NumPy)也是完全避免GIL的。这也是推荐它们提高速度的另一个原因。

7.知道你的 库 正在干嘛

简单地输入import xyz是多么方便啊

！但是你知道，第三方库虽然可以改变应用程序的性能，但并不总是向好的方向发展。

有时，你加了某个模块的时候，应用程序反而变慢了，这就是来自特定 库 的模块构成瓶颈。同样，仔细计算运行时间也会有所帮助，有时则不那么明显。示例:Pyglet是一个用于创建窗口图形化应用程序的 库 ，它自动启用调试模式，这将极大地影响性能，直到显式禁用为止。除非阅读文档，否则你可能永远不会意识到这一点

。多读书，多了解情况。

8.意识到平台间的速度差异

Python的运行是跨平台的，但这并不意味着每个操作系统(Windows、Linux、OS X)的特性都可以在Python下抽象出来。大多数情况下，你需要了解平台的细节，比如路径命名约定等等。

但在性能方面，理解平台的差异也很重要。例如，有些python脚本需要使用Windows的api去访问一些特定的应用，这些应用也可能会减慢运行速度。

9.使用pypy运行程序

CPython是Python最常用的 优化方案 ，因为它优先考虑兼容性而不是原始速度。对于那些想把速度放在首位的程序员来说，PyPy是一个Python更好的方案，它配备了一个JIT编译器来加速代码的执行（编译为C代码）。

因为PyPy被设计为CPython的一个临时替代品，所以它是获得快速性能提升的最简单方法之一。大多数Python应用程序将完全按原样运行在PyPy上。然而，充分利用PyPy可能需要不断地测试。你将会发现，长时间运行的应用程序更有可能从PyPy中获得了最大的性能收益，因为编译器会随着时间分析执行情况。对于运行和退出的简短脚本，最好使用CPython，因为性能的提高不足以克服JIT的开销。

10.升级到python3

如果你用的是python2。而且没有压倒一切的理由(比如一个不兼容的模块)坚持使用它，你应该跳到python3。

Python 3中还有许多Python 2.x中没有的构造和优化。例如，Python 3.5使异步变得不那么棘手， async 和 await 关键字成为语言语法的一部分。Python 3.2对全局解释器锁进行了重大升级，显著改进了Python处理多线程的方式。

以上就是全部十点的改进方案啦，尽管使用了这些方法可能运行速度还是无法超过C和Java，但是代码跑得快不快，不取决于语言，而是取决于人，况且Python本身不必是最快的，只要足够快就行。