共计 847 个字符，预计需要花费 3 分钟才能阅读完成。
一，分析代码运行时间
第 1 式，测算代码运行时间
平凡方法
快捷方法（jupyter 环境）
第 2 式，测算代码多次运行平均
时间
平凡方法
快捷方法（jupyter 环境）
第 3 式，按调用函数分析代码运行时间
平凡方法
快捷方法（jupyter 环境）
第 4 式，按行分析代码运行时间
平凡方法
快捷方法（jupyter 环境）
二，加速你的查找
第 5 式，用 set 而非 list 进行查找
低速方法
高速方法
第 6 式，用 dict 而非两个 list 进行匹配查找
低速方法
高速方法
三，加速你的循环
第 7 式，优先使用 for 循环而不是 while 循环
低速方法
高速方法
第 8 式，在循环体中避免重复计算
低速方法
高速方法
四，加速你的函数
第 9 式，用循环机制代替递归函数
低速方法
高速方法
第 10 式，用缓存机制加速递归函数
低速方法
高速方法
第 11 式，用 numba 加速 Python 函数
低速方法
高速方法
五，使用标准库函数进行加速
第 12 式，使用 collections.Counter 加速计数
低速方法
高速方法
第 13 式，使用 collections.ChainMap 加速字典合并
低速方法
高速方法
六，使用高阶函数进行加速
第 14 式，使用 map 代替推导式进行加速
低速方法
高速方法
第 15 式，使用 filter 代替推导式进行加速
低速方法
高速方法
七，使用 numpy 向量化进行加速
第 16 式，使用 np.array 代替 list
低速方法
高速方法
第 17 式，使用 np.ufunc 代替 math.func
低速方法
高速方法
第 18 式，使用 np.where 代替 if
低速方法
高速方法
八，加速你的 Pandas
第 19 式，使用 csv 文件读写代替 excel 文件读写
低速方法
高速方法
第 20 式， 使用 pandas 多进程工具 pandarallel**
低速方法
高速方法
九，使用 Dask 进行加速
第 21 式，使用 dask 加速 dataframe
低速方法
高速方法
第 22 式，使用 dask.delayed 进行加速
低速方法
高速方法
十，应用多线程多进程加速
第 23 式，应用多线程加速 IO 密集型任务
低速方法
高速方法
第 24 式，应用多进程加速 CPU 密集型任务
低速方法
高速方法
