提升Python執行速度，1行程式碼就夠了！

  • 2020 年 7 月 13 日
  • AI
作者：【七步編程】公眾號
原文：提升Python執行速度，1行程式碼就夠了！

快取是一項從底層到高層都廣泛應用的技術，無論是前端還是後端，有一定開發經驗的程式設計師對快取應該都不陌生。快取是指可以進行高速數據交換的存儲器，它先於記憶體與CPU交換數據，因此速率很快。

在Python開發過程中，有一些函數的結果可能會被反覆調用，如果這個函數耗時較少還無傷大雅。

但是，如果一個函數耗時10分鐘，或者頻繁的發送rest請求，那麼耗時就會呈現非線性上升。

那麼，對於很多開發人員抱怨的Python，是否能夠通過快取來提升它的開發效率？

答案是肯定的！

本文就來介紹如果利用快取這項技術，實現1行程式碼提升Python執行速度。

LRU

不同的程式語言，會有不同 的快取策略，例如，通過哈希映射、優先順序隊列等實現快取。因此，不同的程式語言，在快取的解決方案方面具有很大差異，可能需要幾分鐘，也可能需要幾小時。

但是，在Python中，標準工具包functools實現了一種名為LRU(Least Recently Used)的快取策略，可以通過傳入參數，來設定快取最近多少次的計算結果，如果傳入參數為None，那麼則不快取。

現在，為了讓大家更加容易理解，先來舉一個例子，

import time as tt
​
def func():
    num = 0
    for i in range(10):
        num += i
​
    return num
​
​
def main():
    return func() + func() + func() + func() + func() + func() + func()
​
​
t1 = tt.time()
main()
print("Time taken: {}".format(tt.time() - t1))
# 9.05990e-6

在這個示例中，反覆的調用了func函數，總共耗時為0.009秒。

下面，通過functools工具包下LRU快取再跑一下，

import time as tt
import functools
​
@functools.lru_cache(maxsize=5)
def func():
    num = 0
    for i in range(10):
        num += i
​
    return num
​
​
def main():
    return func() + func() + func() + func() + func() + func() + func()
​
​
t1 = tt.time()
main()
print("Time taken: {}".format(tt.time() - t1))
# 4.768371e-06

通過數據對比，發現運行時間減少了將近50%。

在調用lru_cache時，需要配置一個maxsize的參數，它代表著快取最近幾次的函數計算結果，如果參數為none則不進行快取。

通過前面的對比，會發現利用快取機制時間差別會很大，這是由於，重複調用函數，需要反覆執行計算過程，而利用快取，我們只需要進行快速讀寫，不再需要重複執行計算過程，這樣會節省大部分時間。

但是，由於前面計算過程較為簡單，只涉及簡單的加法運算，在耗時方面給人直觀的感受並不是很強烈。

那下面在以另外斐波那契數列的例子進行對比一下。

應該很多同學對斐波那契數列都不陌生，一個很典型的遞歸問題，在教材上也頻繁的出現。

由於它遞歸計算的過程中，還會用到之前計算的結果，因此會涉及較多的重複計算，下面先看一下正常計算的耗時情況。

import time as tt
​
def fib(n):
  if n <= 1:
    return n
  return fib(n-1) + fib(n-2)
​
t1 = tt.time()
fib(30)
print("Time taken: {}".format(tt.time() - t1))
# 0.2073

下面，在利用LRU對它進行加速，看一下效果，

import time as tt
import functools
​
@functools.lru_cache(maxsize=5)
def fib(n):
  if n <= 1:
    return n
  return fib(n-1) + fib(n-2)
​
t1 = tt.time()
fib(30)
print("Time taken: {}".format(tt.time() - t1))
# 1.811981e-05

0.2073秒對比2.0981e-5秒之間差了4個量級，這樣給人的直觀感受應該就非常強烈了。

在涉及一些簡單運算的過程中，即便是重複計算也無傷大雅。但是，如果涉及大量數據計算或者網路請求這類耗時的計算，利用快取機制，只需要1行程式碼就可以節省可觀的時間。既比重複計算節省時間，也要比多餘定義變數簡單。

往期精選

在Python中應用枚舉類，只需要這1個理由就夠了！

從青銅到王者，一文教你節省90%記憶體佔用

微軟再出神器，這次終於對Python下手了！

Tags:

VirMach 便宜 VPS