【Python】Speedup

其他 2021-10-08 21:44:08 阅读次数: 0

Python 优化提速的 8 个小技巧

文章目录

0 代码优化原则

不要过早优化——让正确的程序更快要比让快速的程序正确容易得多

权衡优化的代价——时间换空间或空间换时间、开发代价

不要优化那些无关紧要的部分——首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化

1 避免全局变量

通过将脚本语句放入到函数中，通常可带来 15% - 30% 的速度提升。

由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不

【全局】

import time
import math
s = time.time()

size = 10000

for x in range(size):
    for y in range(size):
        z = math.sqrt(x) + math.sqrt(y)

t = time.time() - s
print(t)  # 28.321624994277954

【局部】

import time
import math
s = time.time()

def main():
    size = 10000

    for x in range(size):
        for y in range(size):
            z = math.sqrt(x) + math.sqrt(y)

main()
t = time.time() - s
print(t)  # 24.015749216079712

2 避免函数属性访问

每次使用 .（属性访问操作符时）会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销。通过 from import 语句，可以消除属性访问。

【baseline】

import time
import math
s = time.time()


def compute_sqrt(size):
    result = []
    for i in range(size):
        result.append(math.sqrt(i))
    return result


def main():
    size = 10000
    for _ in range(size):
        result = compute_sqrt(size)


main()
t = time.time() - s
print(t)  # 15.633185386657715

【消除 sqrt 的属性访问】

import time
from math import sqrt
s = time.time()


def compute_sqrt(size):
    result = []
    for i in range(size):
        result.append(sqrt(i))  # changed
    return result


def main():
    size = 10000
    for _ in range(size):
        result = compute_sqrt(size)


main()
t = time.time() - s
print(t)  # 13.318369150161743

【局部变量的查找会比全局变量更快】

import time
import math
s = time.time()


def compute_sqrt(size):
    sqrt = math.sqrt  # changed
    result = []
    for i in range(size):
        result.append(sqrt(i))  # changed
    return result


def main():
    size = 10000
    for _ in range(size):
        result = compute_sqrt(size)


main()
t = time.time() - s
print(t)  # 12.782810926437378

【list.append 也涉及到了属性访问，消除掉】

import time
import math
s = time.time()


def compute_sqrt(size):
    result = []
    sqrt = math.sqrt  # changed
    append = result.append  # changed
    for i in range(size):
        append(sqrt(i))  # changed
    return result


def main():
    size = 10000
    for _ in range(size):
        result = compute_sqrt(size)


main()
t = time.time() - s
print(t)  # 11.429441690444946

3 避免类内属性访问

访问 self._value 的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度

import time
import math


class DemoClass:
    def __init__(self, value):
        self._value = value

    def computesqrt(self, size):
        result = []
        append = result.append
        sqrt = math.sqrt
        for _ in range(size):
            append(sqrt(self._value))
        return result


def main():
    size = 10000
    for _ in range(size):
        demo = DemoClass(size)
        result = demo.computesqrt(size)


s = time.time()
main()
t = time.time() - s
print(t)  # 13.051112174987793

import time
import math


class DemoClass:
    def __init__(self, value):
        self._value = value

    def computesqrt(self, size):
        result = []
        append = result.append
        sqrt = math.sqrt
        value = self._value  # changed
        for _ in range(size):
            append(sqrt(value))
        return result


def main():
    size = 10000
    for _ in range(size):
        demo = DemoClass(size)
        result = demo.computesqrt(size)


s = time.time()
main()
t = time.time() - s
print(t)  # 11.46233320236206

4 避免不必要的抽象

任何时候当你使用额外的处理层（比如装饰器、属性访问、描述器）去包装代码时，都会让代码变慢。大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用getter/setter函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格。如果真的没有必要，就使用简单属性

import time
import math

class DemoClass:
    def __init__(self, value):
        self.value = value

    @property
    def value(self):
        return self._value

    @value.setter
    def value(self, x):
        self._value = x

def main():
    size = 1000000
    for i in range(size):
        demo = DemoClass(size)
        value = demo.value
        demo.value = i

s = time.time()
main()
t = time.time() - s
print(t)  # 0.4996964931488037

import time

class DemoClass:
    def __init__(self, value):
        self.value = value

def main():
    size = 1000000
    for i in range(size):
        demo = DemoClass(size)
        value = demo.value
        demo.value = i

s = time.time()
main()
t = time.time() - s
print(t)  # 0.2712728977203369

5 避免数据复制

import time

def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        value_list = [x for x in value]
        square_list = [x**2 for x in value_list]

s = time.time()
main()
t = time.time() - s
print(t)  # 21.94828724861145

import time

def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        square_list = [x**2 for x in value]

s = time.time()
main()
t = time.time() - s
print(t)  # 19.546735286712646

6 交换值时不使用中间变量

import time

def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        temp = a
        a = b
        b = temp

s = time.time()
main()
t = time.time() - s
print(t)  # 0.04886913299560547

import time


def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        a,b = b,a

s = time.time()
main()
t = time.time() - s
print(t)  # 0.044878244400024414

7 字符串拼接用 join 而不是+

import time
import string

def concatstring(string_list):
    result = ""
    for str_i in string_list:
        result += str_i
    return result

def main():
    string_list = list(string.ascii_letters * 100)
    #print(string.ascii_letters)  # abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ
    #print(len(string.ascii_letters))  # 52
    for _ in range(10000):
        result = concatstring(string_list)

s = time.time()
main()
t = time.time() - s
print(t)  # 9.094638586044312

import time
import string

def concatstring(string_list):
    return "".join(string_list)

def main():
    string_list = list(string.ascii_letters * 100)
    #print(string.ascii_letters)  # abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ
    #print(len(string.ascii_letters))  # 52
    for _ in range(10000):
        result = concatstring(string_list)

s = time.time()
main()
t = time.time() - s
print(t)  # 0.2922179698944092

当使用 a + b 拼接字符串时，由于 Python 中字符串是不可变对象，其会申请一块内存空间，将 a 和 b 分别复制到该新申请的内存空间中。因此，如果要拼接 n 个字符串，会产生 n-1 个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。而使用 join() 拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去

8 利用 if 条件的短路特性

if 条件的短路特性是指对 if a and b 这样的语句， 当 a 为 False 时将直接返回，不再计算 b；对于 if a or b 这样的语句，当 a 为True时将直接返回，不再计算b 。因此， 为了节约运行时间，对于 or 语句，应该将值为 True 可能性比较高的变量写在 or 前，而 and 应该推后。

9 循环优化

用 for 循环代替 while 循环

import time

def computesum(size):
    sum_ = 0
    i = 0
    while i < size:
        sum_ += i
        i += 1
    return sum_

def main():
    size = 10000
    for _ in range(size):
        result = computesum(size)

s = time.time()
main()
t = time.time() - s
print(t)  # 9.779865980148315

import time


def computesum(size):
    sum_ = 0
    for i in range(size):
        sum_ += i
    return sum_


def main():
    size = 10000
    for _ in range(size):
        result = computesum(size)


s = time.time()
main()
t = time.time() - s
print(t)  # 4.808104038238525

python 的 for 循环比 while 循环快不少

使用隐式 for 循环代替显式 for 循环

承接上面的例子

import time

def computesum(size):
    return sum(range(size)) # 隐式 for 循环代替显式 for 循环
 
def main():
    size = 10000
    for _ in range(size):
        result = computesum(size)

s = time.time()
main()
t = time.time() - s
print(t)  # 1.5418744087219238

减少内层 for 循环的计算

1 避免全局变量 的代码中 sqrt(x) 位于内侧 for 循环， 每次训练过程中都会重新计算一次，增加了时间开销

import time
import math


def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        for y in range(size):
            z = sqrt(x) + sqrt(y)

s = time.time()
main()
t = time.time() - s
print(t)  # 17.86617159843445

import time
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        sqrt_x = sqrt(x)
        for y in range(size):
            z = sqrt_x + sqrt(y)

s = time.time()
main()
t = time.time() - s
print(t)  # 10.21863317489624

10 使用 numba.jit

numba 可以将 Python 函数 JIT 编译为机器码执行，大大提高代码运行速度。关于 numba 的更多信息见下面的主页：http://numba.pydata.org/numba.pydata.org

import time


def computesum(size):
    sum_ = 0
    for i in range(size):
        sum_ += i
    return sum_


def main():
    size = 10000
    for _ in range(size):
        result = computesum(size)


s = time.time()
main()
t = time.time() - s
print(t)  # 4.808104038238525

import time
import numba


@numba.jit
def computesum(size):
    sum_ = 0
    for i in range(size):
        sum_ += i
    return sum_


def main():
    size = 10000
    for _ in range(size):
        result = computesum(size)


s = time.time()
main()
t = time.time() - s
print(t)  # 1.409585952758789

11 选择合适的数据结构

Python 内置的数据结构如 str, tuple, list, set, dict 底层都是 C 实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。

list 类似于 C++ 中的 std::vector，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之后销毁之前的内存空间，再插入新元素。

删除元素时操作类似，当已使用内存空间比预分配内存空间的一半还少时，会另外申请一块小内存，做一次元素复制，之后销毁原有大内存空间。

因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list 的效率不高。此时，应该考虑使用collections.deque。collections.deque 是双端队列，同时具备栈和队列的特性，能够在两端进行 O(1) 复杂度的插入和删除操作。

list 的查找操作也非常耗时。当需要在 list 频繁查找某些元素，或频繁有序访问这些元素时，可以使用 bisect 维护 list 对象有序并在其中进行二分查找，提升查找的效率。

另外一个常见需求是查找极小值或极大值，此时可以使用 heapq 模块将 list 转化为一个堆，使得获取最小值的时间复杂度是 O(1)。

下面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度：https://wiki.python.org/moin/TimeComplexity

猜你喜欢

转载自blog.csdn.net/bryant_meng/article/details/118576145
今日推荐
周排行
教你如何约女孩子的方式去理解（TCP三次握手与四次挥手）
android按压背景
【量化小讲堂-Python&amp;Pandas系列10】如何判断一个策略的好坏？(附代码)
编程题：利用链表实现栈
盘点47条 Allegro 使用技巧，你都知道吗？
在VMware Workstation中安装CentOS
二叉树的实现
cmake安装jsoncpp
ReactNative开发城市列表页
最全前端学习资源
每日归档
更多
2025-03-20(0)
2025-03-19(0)
2025-03-18(0)
2025-03-17(0)
2025-03-16(0)
2025-03-15(0)
2025-03-14(0)
2025-03-13(0)
2025-03-12(0)
2025-03-11(0)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022