Python 代碼加速運(yùn)行的的小技巧

Python 是一種腳本語(yǔ)言，相比 C/C++ 這樣的編譯語(yǔ)言，在效率和性能方面存在一些不足。但是，有很多時(shí)候，Python 的效率并沒(méi)有想象中的那么夸張。本文對(duì)一些 Python 代碼加速運(yùn)行的技巧進(jìn)行整理。

0. 代碼優(yōu)化原則本文會(huì)介紹不少的 Python 代碼加速運(yùn)行的技巧。在深入代碼優(yōu)化細(xì)節(jié)之前，需要了解一些代碼優(yōu)化基本原則。

第一個(gè)基本原則是不要過(guò)早優(yōu)化。很多人一開始寫代碼就奔著性能優(yōu)化的目標(biāo)，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優(yōu)化的前提是代碼能正常工作。過(guò)早地進(jìn)行優(yōu)化可能會(huì)忽視對(duì)總體性能指標(biāo)的把握，在得到全局結(jié)果前不要主次顛倒。

第二個(gè)基本原則是權(quán)衡優(yōu)化的代價(jià)。優(yōu)化是有代價(jià)的，想解決所有性能的問(wèn)題是幾乎不可能的。通常面臨的選擇是時(shí)間換空間或空間換時(shí)間。另外，開發(fā)代價(jià)也需要考慮。

第三個(gè)原則是不要優(yōu)化那些無(wú)關(guān)緊要的部分。如果對(duì)代碼的每一部分都去優(yōu)化，這些修改會(huì)使代碼難以閱讀和理解。如果你的代碼運(yùn)行速度很慢，首先要找到代碼運(yùn)行慢的位置，通常是內(nèi)部循環(huán)，專注于運(yùn)行慢的地方進(jìn)行優(yōu)化。在其他地方，一點(diǎn)時(shí)間上的損失沒(méi)有什么影響。

1. 避免全局變量# 不推薦寫法。代碼耗時(shí)：26.8秒

import math

size = 10000

for x in range（size）：

for y in range（size）：

z = math.sqrt（x） + math.sqrt（y）

許多程序員剛開始會(huì)用 Python 語(yǔ)言寫一些簡(jiǎn)單的腳本，當(dāng)編寫腳本時(shí)，通常習(xí)慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實(shí)現(xiàn)方式不同，定義在全局范圍內(nèi)的代碼運(yùn)行速度會(huì)比定義在函數(shù)中的慢不少。通過(guò)將腳本語(yǔ)句放入到函數(shù)中，通?？蓭?lái) 15% - 30% 的速度提升。

# 推薦寫法。代碼耗時(shí)：20.6秒

import math

def main（）： # 定義到函數(shù)中，以減少全部變量使用

size = 10000

for x in range（size）：

for y in range（size）：

z = math.sqrt（x） + math.sqrt（y）

main（）

2. 避免.2.1 避免模塊和函數(shù)屬性訪問(wèn)

# 不推薦寫法。代碼耗時(shí)：14.5秒

import math

def computeSqrt（size： int）：

result = ［］

for i in range（size）：

result.append（math.sqrt（i））

return result

def main（）：

size = 10000

for _ in range（size）：

result = computeSqrt（size）

main（）

每次使用。（屬性訪問(wèn)操作符時(shí)）會(huì)觸發(fā)特定的方法，如__getattribute__（）和__getattr__（），這些方法會(huì)進(jìn)行字典操作，因此會(huì)帶來(lái)額外的時(shí)間開銷。通過(guò)from import語(yǔ)句，可以消除屬性訪問(wèn)。

# 第一次優(yōu)化寫法。代碼耗時(shí)：10.9秒

from math import sqrt

def computeSqrt（size： int）：

result = ［］

for i in range（size）：

result.append（sqrt（i）） # 避免math.sqrt的使用

return result

def main（）：

size = 10000

for _ in range（size）：

result = computeSqrt（size）

main（）

在第 1 節(jié)中我們講到，局部變量的查找會(huì)比全局變量更快，因此對(duì)于頻繁訪問(wèn)的變量sqrt，通過(guò)將其改為局部變量可以加速運(yùn)行。

# 第二次優(yōu)化寫法。代碼耗時(shí)：9.9秒

import math

def computeSqrt（size： int）：

result = ［］

sqrt = math.sqrt # 賦值給局部變量

for i in range（size）：

result.append（sqrt（i）） # 避免math.sqrt的使用

return result

def main（）：

size = 10000

for _ in range（size）：

result = computeSqrt（size）

main（）

除了math.sqrt外，computeSqrt函數(shù)中還有。的存在，那就是調(diào)用list的append方法。通過(guò)將該方法賦值給一個(gè)局部變量，可以徹底消除computeSqrt函數(shù)中for循環(huán)內(nèi)部的。使用。

# 推薦寫法。代碼耗時(shí)：7.9秒

import math

def computeSqrt（size： int）：

result = ［］

append = result.append

sqrt = math.sqrt # 賦值給局部變量

for i in range（size）：

append（sqrt（i）） # 避免 result.append 和 math.sqrt 的使用

return result

def main（）：

size = 10000

for _ in range（size）：

result = computeSqrt（size）

main（）

2.2 避免類內(nèi)屬性訪問(wèn)# 不推薦寫法。代碼耗時(shí)：10.4秒

import math

from typing import List

class DemoClass：

def __init__（self， value： int）：

self._value = value

def computeSqrt（self， size： int） -》 List［float］：

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_instance = DemoClass（size）

result = demo_instance.computeSqrt（size）

main（）

避免。的原則也適用于類內(nèi)屬性，訪問(wèn)self._value的速度會(huì)比訪問(wèn)一個(gè)局部變量更慢一些。通過(guò)將需要頻繁訪問(wèn)的類內(nèi)屬性賦值給一個(gè)局部變量，可以提升代碼運(yùn)行速度。

# 推薦寫法。代碼耗時(shí)：8.0秒

import math

from typing import List

class DemoClass：

def __init__（self， value： int）：

self._value = value

def computeSqrt（self， size： int） -》 List［float］：

result = ［］

append = result.append

sqrt = math.sqrt

value = self._value

for _ in range（size）：

append（sqrt（value）） # 避免 self._value 的使用

return result

def main（）：

size = 10000

for _ in range（size）：

demo_instance = DemoClass（size）

demo_instance.computeSqrt（size）

main（）

3. 避免不必要的抽象# 不推薦寫法，代碼耗時(shí)：0.55秒

class DemoClass：

def __init__（self， value： int）：

self.value = value

@property

def value（self） -》 int：

return self._value

@value.setter

def value（self， x： int）：

self._value = x

def main（）：

size = 1000000

for i in range（size）：

demo_instance = DemoClass（size）

value = demo_instance.value

demo_instance.value = i

main（）

任何時(shí)候當(dāng)你使用額外的處理層（比如裝飾器、屬性訪問(wèn)、描述器）去包裝代碼時(shí)，都會(huì)讓代碼變慢。大部分情況下，需要重新進(jìn)行審視使用屬性訪問(wèn)器的定義是否有必要，使用getter/setter函數(shù)對(duì)屬性進(jìn)行訪問(wèn)通常是 C/C++ 程序員遺留下來(lái)的代碼風(fēng)格。如果真的沒(méi)有必要，就使用簡(jiǎn)單屬性。

# 推薦寫法，代碼耗時(shí)：0.33秒

class DemoClass：

def __init__（self， value： int）：

self.value = value # 避免不必要的屬性訪問(wèn)器

def main（）：

size = 1000000

for i in range（size）：

demo_instance = DemoClass（size）

value = demo_instance.value

demo_instance.value = i

main（）

4. 避免數(shù)據(jù)復(fù)制4.1 避免無(wú)意義的數(shù)據(jù)復(fù)制

# 不推薦寫法，代碼耗時(shí)：6.5秒

def main（）：

size = 10000

for _ in range（size）：

value = range（size）

value_list = ［x for x in value］

square_list = ［x * x for x in value_list］

main（）

上面的代碼中value_list完全沒(méi)有必要，這會(huì)創(chuàng)建不必要的數(shù)據(jù)結(jié)構(gòu)或復(fù)制。

# 推薦寫法，代碼耗時(shí)：4.8秒

def main（）：

size = 10000

for _ in range（size）：

value = range（size）

square_list = ［x * x for x in value］ # 避免無(wú)意義的復(fù)制

main（）

另外一種情況是對(duì) Python 的數(shù)據(jù)共享機(jī)制過(guò)于偏執(zhí)，并沒(méi)有很好地理解或信任 Python 的內(nèi)存模型，濫用 copy.deepcopy（）之類的函數(shù)。通常在這些代碼中是可以去掉復(fù)制操作的。

4.2 交換值時(shí)不使用中間變量

# 不推薦寫法，代碼耗時(shí)：0.07秒

def main（）：

size = 1000000

for _ in range（size）：

a = 3

b = 5

temp = a

a = b

b = temp

main（）

上面的代碼在交換值時(shí)創(chuàng)建了一個(gè)臨時(shí)變量temp，如果不借助中間變量，代碼更為簡(jiǎn)潔、且運(yùn)行速度更快。

# 推薦寫法，代碼耗時(shí)：0.06秒

def main（）：

size = 1000000

for _ in range（size）：

a = 3

b = 5

a， b = b， a # 不借助中間變量

main（）

4.3 字符串拼接用join而不是+

# 不推薦寫法，代碼耗時(shí)：2.6秒

import string

from typing import List

def concatString（string_list： List［str］） -》 str：

result = ‘’

for str_i in string_list：

result += str_i

return result

def main（）：

string_list = list（string.ascii_letters * 100）

for _ in range（10000）：

result = concatString（string_list）

main（）

當(dāng)使用a + b拼接字符串時(shí)，由于 Python 中字符串是不可變對(duì)象，其會(huì)申請(qǐng)一塊內(nèi)存空間，將a和b分別復(fù)制到該新申請(qǐng)的內(nèi)存空間中。因此，如果要拼接 n 個(gè)字符串，會(huì)產(chǎn)生 n-1 個(gè)中間結(jié)果，每產(chǎn)生一個(gè)中間結(jié)果都需要申請(qǐng)和復(fù)制一次內(nèi)存，嚴(yán)重影響運(yùn)行效率。

而使用join（）拼接字符串時(shí)，會(huì)首先計(jì)算出需要申請(qǐng)的總的內(nèi)存空間，然后一次性地申請(qǐng)所需內(nèi)存，并將每個(gè)字符串元素復(fù)制到該內(nèi)存中去。

# 推薦寫法，代碼耗時(shí)：0.3秒

import string

from typing import List

def concatString（string_list： List［str］） -》 str：

return ‘’.join（string_list） # 使用 join 而不是 +

def main（）：

string_list = list（string.ascii_letters * 100）

for _ in range（10000）：

result = concatString（string_list）

main（）

5. 利用if條件的短路特性# 不推薦寫法，代碼耗時(shí)：0.05秒

from typing import List

def concatString（string_list： List［str］） -》 str：

abbreviations = {‘cf.’， ‘e.g.’， ‘ex.’， ‘etc.’， ‘flg.’， ‘i.e.’， ‘Mr.’， ‘vs.’}

abbr_count = 0

result = ‘’

for str_i in string_list：

if str_i in abbreviations：

result += str_i

return result

def main（）：

for _ in range（10000）：

string_list = ［‘Mr.’， ‘Hat’， ‘is’， ‘Chasing’， ‘the’， ‘black’， ‘cat’， ‘?！?/p>

result = concatString（string_list）

main（）

if 條件的短路特性是指對(duì)if a and b這樣的語(yǔ)句， 當(dāng)a為False時(shí)將直接返回，不再計(jì)算b；對(duì)于if a or b這樣的語(yǔ)句，當(dāng)a為True時(shí)將直接返回，不再計(jì)算b。因此， 為了節(jié)約運(yùn)行時(shí)間，對(duì)于or語(yǔ)句，應(yīng)該將值為True可能性比較高的變量寫在or前，而and應(yīng)該推后。

# 推薦寫法，代碼耗時(shí)：0.03秒

from typing import List

def concatString（string_list： List［str］） -》 str：

abbreviations = {‘cf.’， ‘e.g.’， ‘ex.’， ‘etc.’， ‘flg.’， ‘i.e.’， ‘Mr.’， ‘vs.’}

abbr_count = 0

result = ‘’

for str_i in string_list：

if str_i［-1］ == ‘。’ and str_i in abbreviations： # 利用 if 條件的短路特性

result += str_i

return result

def main（）：

for _ in range（10000）：

string_list = ［‘Mr.’， ‘Hat’， ‘is’， ‘Chasing’， ‘the’， ‘black’， ‘cat’， ‘?！?/p>

result = concatString（string_list）

main（）

6. 循環(huán)優(yōu)化6.1 用for循環(huán)代替while循環(huán)

# 不推薦寫法。代碼耗時(shí)：6.7秒

def computeSum（size： int） -》 int：

sum_ = 0

i = 0

while i 《 size：

sum_ += i

i += 1

return sum_

def main（）：

size = 10000

for _ in range（size）：

sum_ = computeSum（size）

main（）

Python 的for循環(huán)比while循環(huán)快不少。

# 推薦寫法。代碼耗時(shí)：4.3秒

def computeSum（size： int） -》 int：

sum_ = 0

for i in range（size）： # for 循環(huán)代替 while 循環(huán)

sum_ += i

return sum_

def main（）：

size = 10000

for _ in range（size）：

sum_ = computeSum（size）

main（）

6.2 使用隱式for循環(huán)代替顯式for循環(huán)

針對(duì)上面的例子，更進(jìn)一步可以用隱式for循環(huán)來(lái)替代顯式for循環(huán)

# 推薦寫法。代碼耗時(shí)：1.7秒

def computeSum（size： int） -》 int：

return sum（range（size）） # 隱式 for 循環(huán)代替顯式 for 循環(huán)

def main（）：

size = 10000

for _ in range（size）：

sum = computeSum（size）

main（）

6.3 減少內(nèi)層for循環(huán)的計(jì)算

# 不推薦寫法。代碼耗時(shí)：12.8秒

import math

def main（）：

size = 10000

sqrt = math.sqrt

for x in range（size）：

for y in range（size）：

z = sqrt（x） + sqrt（y）

main（）

上面的代碼中sqrt（x）位于內(nèi)側(cè)for循環(huán)， 每次訓(xùn)練過(guò)程中都會(huì)重新計(jì)算一次，增加了時(shí)間開銷。

# 推薦寫法。代碼耗時(shí)：7.0秒

import math

def main（）：

size = 10000

sqrt = math.sqrt

for x in range（size）：

sqrt_x = sqrt（x） # 減少內(nèi)層 for 循環(huán)的計(jì)算

for y in range（size）：

z = sqrt_x + sqrt（y）

main（）

7. 使用numba.jit我們沿用上面介紹過(guò)的例子，在此基礎(chǔ)上使用numba.jit。numba可以將 Python 函數(shù) JIT 編譯為機(jī)器碼執(zhí)行，大大提高代碼運(yùn)行速度。關(guān)于numba的更多信息見下面的主頁(yè)：http://numba.pydata.org/numba.pydata.org

# 推薦寫法。代碼耗時(shí)：0.62秒

import numba

@numba.jit

def computeSum（size： float） -》 int：

sum = 0

for i in range（size）：

sum += i

return sum

def main（）：

size = 10000

for _ in range（size）：

sum = computeSum（size）

main（）

8. 選擇合適的數(shù)據(jù)結(jié)構(gòu)Python 內(nèi)置的數(shù)據(jù)結(jié)構(gòu)如str， tuple， list， set， dict底層都是 C 實(shí)現(xiàn)的，速度非常快，自己實(shí)現(xiàn)新的數(shù)據(jù)結(jié)構(gòu)想在性能上達(dá)到內(nèi)置的速度幾乎是不可能的。

list類似于 C++ 中的std：：vector，是一種動(dòng)態(tài)數(shù)組。其會(huì)預(yù)分配一定內(nèi)存空間，當(dāng)預(yù)分配的內(nèi)存空間用完，又繼續(xù)向其中添加元素時(shí)，會(huì)申請(qǐng)一塊更大的內(nèi)存空間，然后將原有的所有元素都復(fù)制過(guò)去，之后銷毀之前的內(nèi)存空間，再插入新元素。

刪除元素時(shí)操作類似，當(dāng)已使用內(nèi)存空間比預(yù)分配內(nèi)存空間的一半還少時(shí)，會(huì)另外申請(qǐng)一塊小內(nèi)存，做一次元素復(fù)制，之后銷毀原有大內(nèi)存空間。

因此，如果有頻繁的新增、刪除操作，新增、刪除的元素?cái)?shù)量又很多時(shí)，list的效率不高。此時(shí)，應(yīng)該考慮使用collections.deque。collections.deque是雙端隊(duì)列，同時(shí)具備棧和隊(duì)列的特性，能夠在兩端進(jìn)行 O（1） 復(fù)雜度的插入和刪除操作。

list的查找操作也非常耗時(shí)。當(dāng)需要在list頻繁查找某些元素，或頻繁有序訪問(wèn)這些元素時(shí)，可以使用bisect維護(hù)list對(duì)象有序并在其中進(jìn)行二分查找，提升查找的效率。

另外一個(gè)常見需求是查找極小值或極大值，此時(shí)可以使用heapq模塊將list轉(zhuǎn)化為一個(gè)堆，使得獲取最小值的時(shí)間復(fù)雜度是 O（1）。

下面的網(wǎng)頁(yè)給出了常用的 Python 數(shù)據(jù)結(jié)構(gòu)的各項(xiàng)操作的時(shí)間復(fù)雜度：https://wiki.python.org/moin/TimeComplexity

參考資料David Beazley & Brian K. Jones. Python Cookbook， Third edition. O‘Reilly Media， ISBN： 9781449340377， 2013.

張穎 & 賴勇浩。 編寫高質(zhì)量代碼：改善Python程序的91個(gè)建議。 機(jī)械工業(yè)出版社， ISBN： 9787111467045， 2014.

編輯：jq