有效提升Python代码性能的三个层面

使用Python进入一个熟练的状态之后就会思考提升代码的性能，尤其是python的执行效率还有很大提升空间(委婉的说法)。面对提升效率这个话题，python自身提供了很多高性能模块，很多大牛开发出了高效第三方包，可谓是百花齐放。下面根据我个人使用总结出提升性能的几个层面和相关方法。

使用python进入一个熟练的状态之后就会思考提升代码的性能，尤其是python的执行效率还有很大提升空间(委婉的说法)。面对提升效率这个话题，python自身提供了很多高性能模块，很多大牛开发出了高效第三方包，可谓是百花齐放。下面根据我个人使用总结出提升性能的几个层面和相关方法。

python代码优化：

1. 语法层面
2. 高效模块
3. 解释器层面

语法层面

1. 变量定义
2. 数据类型
3. 条件判断
4. 循环
5. 生成器

变量定义

1. 多使用局部变量少使用全局变量，命名空间中局部变量优先搜索

条件判断

1. 可以使用字典的key value特性，直接用key命中条件，避免if判断
2. 用in操作在判断是否存在方面替换if else判断
3. 用max，min等内置函数在判断大小方面可以替换if else
4. 用bool可以判断出True或False，结合int(bool(object))可以在判断真值方面替换if else
5. 使用any 或 all 将多个判断一起处理，减少if else的分支
6. if条件的短路特性。if a or b这种判断中，如果a是True就不会判断b，所以将True条件写在前面可以节省判断时间。同理 and 判断将假写在前面，后面一个条件不判断

数据类型

1. 使用dict 或set查找，替换list或tuple
2. 集合的交并补差操作效率非常高。for循环和集合都可以处理的选择集合解决，集合的效率远高于循环

循环

1. 用for循环代替while循环，for循环比while循环快
2. 使用隐式for循环代替显式for循环。如sum，map，filter，reduce等都是隐式for循环。隐式循环快于显式循环
3. 尽量不要打断循环。打断循环的放在外面。有判断条件的语句和与循环不相关的操作语句尽量放在for外面
4. 应当将最长的循环放在最内层，最短的循环放在最外层，以减少CPU跨切循环层的次数
5. 使用生成式替换循环创建

合理使用迭代器和生成器

需要迭代出大量数据的场景，不需要将所有数据创建出来，合理使用生成器减少内存消耗

items_gen = (i for i in range(5000))
>>> items_gen.__sizeof__()
96

items_list = [i for i in ragne(5000)]
>>> items_list.__sizeof__()
43016

高效模块

1. collections 数据增强模块
2. itertools 高效迭代模块
3. array 高效数组
4. functool 用于处理函数的高阶函数包

collections

1. Counter: 高效的统计库
2. defaultdict：带默认值的字典
3. ChainMap：高效组合字典的库
4. deque: 双端队列，高效插入删除

详细使用参见另一篇专门讲collections的文章 Python原生数据结构增强模块collections

itertools

1. chain：多个可迭代对象构建成一个新的可迭代对象
2. groupby：按照指定的条件分类，输出条件和符合条件的元素
3. from_iteratorable：一个迭代对象中将所有元素类似于chain一样，统一返回
4. islice：对迭代器进行切片，能指定start和stop以及步长

详细使用参见另一篇专门讲itertools的文章Python高性能工具迭代标准库itertools

array

array 模块是python中实现的一种高效的数组存储类型。
它和list相似，但是所有的数组成员必须是同一种类型，在创建数组的时候，就确定了数组的类型。

functool

functools.lru_cache 对函数做缓存

lru_cache 是一个装饰器，为函数提供缓存功能。被装饰的函数以相同参数调用时直接返回上一次的结果。
不做缓存

import time
 
def fibonacci(n):
    """斐波那契函数"""
    if n < 2:
        return n
    return fibonacci(n - 2) + fibonacci(n - 1)


start = time.time()
res = fibonacci(40)
end = time.time()
print(res)
print(end - start)

102334155
32.14816737174988

做缓存

import time
from functools import lru_cache      
 
@lru_cache
def fibonacci(n):
    """斐波那契函数"""
    if n < 2:
        return n
    return fibonacci(n - 2) + fibonacci(n - 1)


start = time.time()
res = fibonacci(40)
end = time.time()
print(res)
print(end - start)

102334155
0.00020623207092285156

使用注意：

1. 缓存是按照参数作为键。调用函数时任意一个参数发生变化都不会返回之前缓存结果
2. 所有参数必须可哈希hash。也就是说参数只能是不可变对象

解释器层面： 减少python执行过程

python 代码的执行过程为：

1. 编译器将源码编译成中间状态的字节码
2. 解释器执行字节码，将字节码转成机器码在cpu上运行

python慢的原因主要是因为解释器。解决办法有两个：
一是解决办法是使用C/C++语言重写Python函数，但是这要求程序员对C/C++语言熟悉，且调试速度慢，不适合绝大多数Python程序员。
另外一种非常方便快捷的解决办法就是使用Just-In-Time（JIT）技术。

Just-In-Time（JIT）技术为解释语言提供了一种优化，它能克服上述效率问题，极大提升代码执行速度，同时保留Python语言的易用性。使用JIT技术时，JIT编译器将Python源代码编译成机器直接可以执行的机器语言，并可以直接在CPU等硬件上运行。这样就跳过了原来的虚拟机，执行速度几乎与用C语言编程速度并无二致。

Numba是一个针对Python的开源JIT编译器，由Anaconda公司主导开发，可以对Python原生代码进行CPU和GPU加速。

import time

def fun(x):
    total = 0
    start = time.time()
    for i in range(1,x+1):
        total += i 
    end = time.time()
    print(total)
    print(end - start)

fun(100000000)

5000000050000000
5.934630393981934

import time
from numba import jit, int32

@jit(int32(int32))
def fun(x):
    total = 0
    start = time.time()
    for i in range(1,x+1):
        total += i 
    end = time.time()
    print(total)
    print(end - start)

fun(100000000)

5000000050000000
0.1186532974243164

速度有60倍提升

【本文转自：韩国服务器 http://www.yidunidc.com处的文章,转载请说明出处】