全文共5573字，預計學習時長16分鐘
Python是一個很酷的語言，因為你可以在很短的時間內利用很少的代碼做很多事情。不僅如此，它還能輕鬆地支持多任務，比如多進程等。
但Python運行的慢是歷來被詬病的，一些人黑Python的一點是Python的程序運行速度奇慢。
這一方面和語言有關，另一方面可能就是你代碼的問題。其實，無論使用哪種程式語言，特定程序的運行速度很大程度上都取決於該程序的開發人員及其編寫快而優的程序的技巧和能力。
語言方面的問題我們解決不了，所以只能在編程技巧上來提高程序的運行效率。
是時候證明給那些python黑粉，讓他們看看如何提升Python程序性能並使其像坐上火箭一樣運行飛快！
時序分析
優化之前，首先要找到是哪部分代碼拖慢了整個程序的運行。有時候程序的"瓶頸"不是很明顯，如果找不到，以下是一些建議以供參考：
注意：這是一個計算e的x次冪的演示程序（出自Python文檔）：
# slow_program.pyfrom decimal import*defexp(x): getcontext().prec +=2 i, lasts, s, fact, num =0, 0, 1, 1, 1 while s != lasts: lasts = s i +=1 fact *= i num *= x s += num / fact getcontext().prec -=2 return+sexp(Decimal(150))exp(Decimal(400))exp(Decimal(3000))在GitHub上查看rawslow_program.py全部代碼
最省力的「性能分析」
首先，最簡單且最省力的解決方案是使用Unix的time命令：
~ $ time python3.8 slow_program.pyreal 0m11,058suser 0m11,050ssys 0m0,008s在GitHub上查看rawbase_time.shell全部代碼
如果只是給整個程序計時，它很有用，但還不足夠……
最詳細的性能分析
性能分析的另一方法是cProfile，從中能得到很大的信息量：
~ $ python3.8 -m cProfile -s time slow_program.py 1297 function calls (1272 primitive calls) in 11.081 seconds Ordered by: internal time ncalls tottime percall cumtime percall filename:lineno(function) 3 11.079 3.693 11.079 3.693 slow_program.py:4(exp) 1 0.000 0.000 0.002 0.002 {built-in method _imp.create_dynamic} 4/1 0.000 0.000 11.081 11.081 {built-in method builtins.exec} 6 0.000 0.000 0.000 0.000 {built-in method __new__ of type object at 0x9d12c0} 6 0.000 0.000 0.000 0.000 abc.py:132(__new__) 23 0.000 0.000 0.000 0.000 _weakrefset.py:36(__init__) 245 0.000 0.000 0.000 0.000 {built-in method builtins.getattr} 2 0.000 0.000 0.000 0.000 {built-in method marshal.loads} 10 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:1233(find_spec) 8/4 0.000 0.000 0.000 0.000 abc.py:196(__subclasscheck__) 15 0.000 0.000 0.000 0.000 {built-in method posix.stat} 6 0.000 0.000 0.000 0.000 {built-in method builtins.__build_class__} 1 0.000 0.000 0.000 0.000 __init__.py:357(namedtuple) 48 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:57(_path_join) 48 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:59(<listcomp>) 1 0.000 0.000 11.081 11.081 slow_program.py:1(<module>)...在GitHub上查看rawcprofile.shell全部代碼
這裡用cProfile模塊和time參數運行測試腳本，以便按內部時間（cumtime）對行進行排序。從中可以得到很多信息，以上所列結果約為實際輸出的10％。由此可見，exp函數就是拖慢程序的「罪魁禍首」（太神奇啦！），現在看看更詳盡的時序和性能分析......
對特定函數計時
已經知道拖慢程序運行的函數，下一步可使用簡單的修飾器，專門對該函數計時，不測量其餘代碼。如下所示：
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)) return func_return_val return wrapper在GitHub上查看rawtimeit_decorator.py全部代碼
該修飾器可以應用於功能測試，如下所示：
@timeit_wrapperdefexp(x): ...print('{0:<10}{1:<8}{2:^8}'.format('module', 'function', 'time'))exp(Decimal(150))exp(Decimal(400))exp(Decimal(3000))在GitHub上查看rawtimeit_decorator_usage.py全部代碼
輸出如下：
~ $ python3.8 slow_program.pymodule function time __main__ .exp :0.003267502994276583__main__ .exp :0.038535295985639095__main__ .exp : 11.728486061969306在GitHub上查看rawrun_with_timeit_decorator.shell全部代碼
要考慮的一個問題是實際/想要測量的時間類型是什麼。Time程序包提供了time.perf_counter和time.process_time。兩者的區別是：perf_counter返回絕對值，其中包括Python程序進程未運行時的時間，因此可能會受計算機負載的影響；而process_time僅返回用戶時間（不包括系統時間），這僅是程序的運行時間。
加快程序運行速度
這是全文有趣的部分，關於如何加快Python的程序運行速度。我並沒有列出一些可以奇妙解決性能問題的小技巧或代碼段，而是涉及一般性的構想和策略，它們能極大地提高性能，某些情況下甚至能將性能提高30％。
使用內置數據類型
顯而易見，內置數據類型運行很快，尤其是與自定義類型（例如樹或鍊表）相比。主要是因為內置程序是用C語言實現的，遠超過用Python編碼的運行速度。
使用lru_cache緩存/記憶
我已經在上一篇博文中講過這塊內容，但在此還是要用簡單的示例說明：
import functoolsimport time# caching up to 12 different results@functools.lru_cache(maxsize=12)defslow_func(x): time.sleep(2) # Simulate long computation return xslow_func(1) # ... waiting for 2 sec before getting resultslow_func(1) # already cached - result returned instantaneously!slow_func(3) # ... waiting for 2 sec before getting result在GitHub上查看rawlru_cache.py全部代碼
以上函數使用time.sleep模擬大量運算。第一次使用參數1調用該函數時，返回結果需要2秒。再次調用時，結果已被緩存，因此會跳過函數主體並立即返回結果。更多內容請參見此處。
使用局部變量
這與在每個作用域中查找變量的速度有關。我用了「每個作用域」這個字眼，因為它不僅僅是「使用局部變量還是全局變量」的問題。實際上，即使在函數的局部變量（最快）、類級屬性（如self.name-較慢）和全局變量（如導入的函數，time.time-最慢）之間，查找速度也有所不同。
可以通過運行無用的任務來提高性能，如下所示：
# Example #1classFastClass: defdo_stuff(self): temp =self.value # this speeds up lookup in loop for i inrange(10000): ... # Do something with `temp` here# Example #2import randomdeffast_function(): r = random.random for i inrange(10000): print(r()) # calling `r()` here, is faster than global random.random()在GitHub上查看rawlocal_vars.py全部代碼
使用函數（Function）
這怎麼和假想的不同？理論上調用函數不是會將更多的東西放到堆棧上，加大返回結果的負擔嗎？但實際上，使用函數確實能加快運行速度，這與前一點有關。將整個代碼放在一個文件中而非函數中，它是全局變量而非局部變量，運行速度就會慢得多。因此，可以將整個代碼包裹在main函數中並通過一次調用來加速代碼，如下所示：
defmain(): ... # All your previously global codemain()在GitHub上查看rawglobal_vars.py全部代碼
避免訪問屬性（Attribute）
可能拖慢程序的一個原因是使用點運算符（.）訪問對象屬性。該運算符通過使用__getattribute__方法觸發了字典查找，使代碼產生額外負擔。那麼，如何避免或減少屬性訪問？
# Slow:import redefslow_func(): for i inrange(10000): re.findall(regex, line) # Slow!# Fast:from re import findalldeffast_func(): for i inrange(10000): findall(regex, line) # Faster!在GitHub上查看rawimports.py全部代碼
當心使用字符串
在循環裡使用格式符（％s）或.format（）時，字符串操作可能會變得非常慢。有沒有更好的選擇？Raymond Hettinger在最近發布的推文中提到：唯一應該使用的是f-string（格式化字符串常量），它是最易讀、最簡潔且最快捷的方法。根據這篇推文，下面列出了可用的方法（由快到慢）：
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!在GitHub上查看rawstrings.py全部代碼
本質上，生成器並沒有變得更快，因為它在設計上允許延遲計算以節省內存而非節約時間。然而節省的內存也可以加快程序實際運行速度。怎麼做？如果有一個很大的數據集且不使用生成器（迭代器），那麼數據可能會溢出CPU的L1 cache（1級緩存），這將大大減慢內存的查找速度。
在性能方面，極重要的一點是：CPU可以將正在處理的所有數據儘可能地保存在緩存中。
結語
優化的首要規則就是「不優化」。
若真的有必要優化，那我希望這些技巧會有所幫助。
但是，優化代碼時一定要小心，因為優化的結果可能是代碼難以閱讀進而難以維護，這就得不償失了。
最後，希望大家能搭上python號火箭，編碼越來越快！
留言點讚關注
我們一起分享AI學習與發展的乾貨
如轉載，請後臺留言，遵守轉載規範