Python 曾经失去了寰球程序员的青睐，然而还是受到一些人的诟病，起因之一就是认为它运行迟缓。

其实某个特定程序（无论应用何种编程语言）的运行速度是快还是慢，在很大水平上取决于编写该程序的开发人员本身素质，以及他们编写优化而高效代码的能力。

Medium 上一位小哥就具体讲了讲如何让 Python 提速 30%，以此证实代码跑得慢不是 Python的问题，而是代码自身的问题。

01时序剖析

在开始进行任何优化之前，咱们首先须要找出代码的哪些局部使整个程序变慢。有时程序的问题很显著，然而如果你一时不晓得问题出在哪里，那么这里有一些可能的选项：

留神：这是我将用于演示的程序，它将进行指数计算

# slow_program.pyfrom decimal import *def exp(x):    getcontext().prec += 2    i, lasts, s, fact, num = 0, 0, 1, 1, 1    while s != lasts:        lasts = s        i += 1        fact *= i        num *= x        s += num / fact    getcontext().prec -= 2    return +sexp(Decimal(150))exp(Decimal(400))exp(Decimal(3000))

最简洁的“配置文件”

首先，最简略最偷懒的办法——Unix工夫命令。

~ $ time python3.8 slow_program.pyreal  0m11,058suser 0m11,050ssys 0m0,008s

如果你只能晓得整个程序的运行工夫，这样就够了，但通常这还远远不够。

最具体的剖析

另外一个指令是cProfile，然而它提供的信息过于具体了。

~ $ python3.8 -m cProfile -s time slow_program.py         1297 function calls (1272 primitive calls) in 11.081 seconds   Ordered by: internal time   ncalls tottime percall cumtime percall filename:lineno(function)        3   11.079    3.693   11.079    3.693 slow_program.py:4(exp)        1    0.000    0.000    0.002    0.002 {built-in method _imp.create_dynamic}      4/1    0.000    0.000   11.081   11.081 {built-in method builtins.exec}        6    0.000    0.000    0.000    0.000 {built-in method __new__ of type object at 0x9d12c0}        6    0.000    0.000    0.000    0.000 abc.py:132(__new__)       23    0.000    0.000    0.000    0.000 _weakrefset.py:36(__init__)      245    0.000    0.000    0.000    0.000 {built-in method builtins.getattr}        2    0.000    0.000    0.000    0.000 {built-in method marshal.loads}       10    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:1233(find_spec)      8/4    0.000    0.000    0.000    0.000 abc.py:196(__subclasscheck__)       15    0.000    0.000    0.000    0.000 {built-in method posix.stat}        6    0.000    0.000    0.000    0.000 {built-in method builtins.__build_class__}        1    0.000    0.000    0.000    0.000 __init__.py:357(namedtuple)       48    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:57(_path_join)       48    0.000    0.000    0.000    0.000 <frozen importlib._bootstrap_external>:59(<listcomp>)        1    0.000    0.000   11.081   11.081 slow_program.py:1(<module>)

在这里，咱们应用cProfile模块和time参数运行测试脚本，以便按外部工夫（cumtime）对行进行排序。这给了咱们很多信息，你在下面看到的行大概是理论输入的10％。由此可见，exp函数是罪魁祸首，当初咱们能够更具体地理解时序和性能剖析。

时序特定性能

当初咱们晓得了该当次要关注哪里，咱们可能想对运行速度迟缓的函数计时，而不必测量其余的代码。为此，咱们能够应用一个简略的装璜器：

def timeit_wrapper(func):    @wraps(func)    def wrapper(*args, **kwargs):        start = time.perf_counter() # Alternatively, you can use time.process_time()        func_return_val = func(*args, **kwargs)        end = time.perf_counter()        print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start))        return func_return_val    return wrapper

而后能够将此装璜器利用于待测性能，如下所示：

@timeit_wrapperdef exp(x):    ...print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time'))exp(Decimal(150))exp(Decimal(400))exp(Decimal(3000))

这给出咱们如下输入：

~ $ python3.8 slow_program.pymodule function   time  __main__ .exp      : 0.003267502994276583__main__ .exp      : 0.038535295985639095__main__ .exp      : 11.728486061969306

须要思考的一件事是咱们理论想要测量的工夫。工夫包提供time.perf_counter和time.process_time两个函数。他们的区别在于perf_counter返回的绝对值，包含你的Python程序过程未运行时的工夫，因而它可能会受到计算机负载的影响。另一方面，process_time仅返回用户工夫（不包含零碎工夫），这仅是你的过程工夫。

02减速吧！

让Python程序运行得更快，这部分会很乏味！我不会展现能够解决你的性能问题的技巧和代码，更多地是对于构想和策略的，这些构想和策略在应用时可能会对性能产生微小影响，在某些状况下，能够将速度进步30％。

应用内置数据类型

这一点很显著。内置数据类型十分快，尤其是与咱们的自定义类型（例如树或链接列表）相比。这次要是因为内置程序是用C实现的，因而在应用Python进行编码时咱们的速度切实无奈与之匹敌。

应用lru_cache缓存/记忆

我曾经在上一篇博客中展现了此内容，但我认为值得用简略的示例来反复它：

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

下面的函数应用time.sleep模仿大量计算。第一次应用参数1调用时，它将期待2秒钟，而后才返回后果。再次调用时，后果曾经被缓存，因而它将跳过函数的主体并立刻返回后果。无关更多理论示例，请参见以前的博客文章。

应用局部变量

这与在每个作用域中查找变量的速度无关，因为它不只是应用局部变量还是全局变量。实际上，即便在函数的局部变量（最快），类级属性（例如self.name——较慢）和全局（例如，导入的函数）如time.time（最慢）之间，查找速度实际上也有所不同。

你能够通过应用看似不必要的调配来进步性能，如下所示：

# Example #1class 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 #2import randomdef fast_function():    r = random.random    for i in range(10000):        print(r()) # calling `r()` here, is faster than global random.random()

应用函数

这仿佛违反直觉，因为调用函数会将更多的货色放到堆栈上，并从函数返回中产生开销，但这与上一点无关。如果仅将整个代码放在一个文件中而不将其放入函数中，则因为全局变量，它的运行速度会慢得多。因而，你能够通过将整个代码包装在main函数中并调用一次来减速代码，如下所示：

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

不拜访属性

可能会使你的程序变慢的另一件事是点运算符（.），它在取得对象属性时被应用。此运算符应用__getattribute__触发字典查找，这会在代码中产生额定的开销。那么，咱们如何能力真正防止（限度）应用它呢？

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

当心字符串

应用模数（％s）或.format（）进行循环运行时，字符串操作可能会变得十分慢。咱们有什么更好的抉择？依据雷蒙德·海廷格（Raymond Hettinger）最近的推特，咱们惟一应该应用的是f-string，它是最易读，最简洁且最快的办法。依据该推特，这是你能够应用的办法列表——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!

生成器实质上并没有更快，因为它们被容许进行提早计算，从而节俭了内存而不是工夫。然而，保留的内存可能会导致你的程序理论运行得更快。这是怎么做到的？如果你有一个很大的数据集，而没有应用生成器（迭代器），那么数据可能会溢出CPU L1缓存，这将大大减慢内存中值的查找速度。

在性能方面，十分重要的一点是CPU能够将正在解决的所有数据尽可能地保留在缓存中。你能够观看Raymond Hettingers的视频，他在其中提到了这些问题。

03论断

优化的首要规定是不要优化。然而，如果的确须要，那么我心愿下面这些技巧能够帮忙你。然而，在优化代码时要小心，因为它可能最终使你的代码难以浏览，因而难以保护，这可能超过优化的益处。

最近整顿了几百 G 的 Python 学习材料，蕴含新手入门电子书、教程、源码等等，收费分享给大家！想要的返回 “Python 编程学习圈”，发送 “J” 即可收费取得