讓你的Python提速30%！（下）

2020 年 2 月 23 日
筆記

編輯 | sunlei 發布 | ATYUN訂閱號

使它更快

現在進入有趣的部分。讓我們幫您的Python程式運行得更快。我（基本上）不會向您展示一些能夠神奇地解決性能問題的黑客、技巧和程式碼片段。這更多的是關於一般的想法和策略，當使用時，它們可以對性能產生巨大的影響，在某些情況下可以提高30%的速度。

使用內置數據類型

這一點很明顯。內置數據類型非常快，特別是與我們的自定義類型（如樹或鏈接列表）相比。這主要是因為內置程式碼是用C實現的，在用Python編寫程式碼時，我們在速度上無法真正匹配。

快取/記憶lru_cache

用一個簡單的例子來重複一下：

import functools  import time    # caching up to 12 different results  @functools.lru_cache(maxsize=12)  def slow_func(x):      time.sleep(2)  # Simulate long computation      return x    slow_func(1)  # ... waiting for 2 sec before getting result  slow_func(1)  # already cached - result returned instantaneously!    slow_func(3)  # ... waiting for 2 sec before getting result

上面的函數使用time.sleep模擬繁重的計算。當第一次用參數1調用時，它等待2秒，然後才返回結果。再次調用時，結果已被快取，因此它跳過函數體並立即返回結果。

使用局部變數

這與在每個作用域中查找變數的速度有關。我編寫每個作用域，因為它不僅僅是使用局部變數和全局變數。實際上，查找速度甚至在函數中的局部變數（最快）、類級屬性（例如self.name-slower）和全局（例如time.time（最慢））之間也存在差異。

你可以通過使用看起來不必要的（直接的無用的）任務來提高性能，比如：

#  Example #1  class FastClass:        def do_stuff(self):          temp = self.value  # this speeds up lookup in loop          for i in range(10000):              ...  # Do something with `temp` here    #  Example #2  import random    def fast_function():      r = random.random      for i in range(10000):          print(r())  # calling `r()` here, is faster than global random.random()

使用函數

這似乎有悖常理，因為調用函數會將更多的東西放到堆棧中，並從函數返回中產生開銷，但這與前面的一點有關。如果只將整個程式碼放在一個文件中而不將其放在函數中，則會因為全局變數而慢得多。因此，只需將整個程式碼包裝在main函數中並調用一次，就可以加快程式碼的速度，如下所示：

def main():      ...  # All your previously global code    main()

不訪問屬性

另一個可能會減慢程式速度的是點運算符（.），它在訪問對象屬性時使用。此運算符使用_getattribute__觸發字典查找，這會在程式碼中產生額外的開銷。那麼，我們如何才能真正避免（限制）使用它呢？

#  Slow:  import re    def slow_func():      for i in range(10000):          re.findall(regex, line)  # Slow!    #  Fast:  from re import findall    def fast_func():      for i in range(10000):          findall(regex, line)  # Faster!

謹防字元串

在循環中使用例如module（%s）或.format（）運行時，對字元串的操作可能會非常慢。我們還有什麼更好的選擇？根據Raymond Hettinger最近的推文，我們唯一應該使用的是f-string，它是最可讀、最簡潔、最快的方法。因此，根據這條推文，這是你可以使用的方法列表-從最快到最慢：

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!

生成器本身並不是更快的，因為它們允許延遲計算，這節省了記憶體而不是時間。但是，節省的記憶體可能會導致程式實際上運行得更快。怎樣？好吧，如果您有一個大型數據集，並且不使用生成器（迭代器），那麼數據可能會溢出cpu L1快取，這將顯著減慢在記憶體中查找值的速度。

說到性能，很重要的一點是CPU可以保存它正在處理的所有數據，儘可能接近地保存在快取中。你可以看Raymond Hettingers的演講，他提到了這些問題。

結論

優化的第一條規則是不要這樣做。但是，如果你真的需要的話，我希望這幾條建議能幫到你。但是，在優化程式碼時要小心，因為它可能會導致程式碼難以閱讀，因此難以維護，這可能會超過優化的好處。

原文鏈接：

https://towardsdatascience.com/making-python-programs-blazingly-fast-c1cd79bd1b32