当前位置：首页 > 公众号精选 > 21ic电子网

学一招！如何让Python代码加速运行？

时间：2020-09-04 09:49:27
关键字： 代码   
手机看文章

扫描二维码
随时随地手机看文章

[导读]Python 是一种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。 0. 代码优化原则 本文会介绍不少的 Python 代码加速运行的技巧


Python 是一种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。

0. 代码优化原则

本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。

第一个基本原则是不要过早优化。很多人一开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。因此，优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前不要主次颠倒。

第二个基本原则是权衡优化的代价。优化是有代价的，想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外，开发代价也需要考虑。

第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化，这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢，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。在其他地方，一点时间上的损失没有什么影响。

1. 避免全局变量 

# 不推荐写法。代码耗时：26.8秒 import math

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

许多程序员刚开始会用 Python 语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，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少。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。 

# 推荐写法。代码耗时：20.6秒 import math

def main(): # 定义到函数中，以减少全部变量使用 size = 10000 for x in range(size): for y in range(size):
            z = math.sqrt(x) + math.sqrt(y)

main()

2. 避免.（属性访问操作符）

2.1 避免模块和函数属性访问 

# 不推荐写法。代码耗时：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.（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。 

# 第一次优化写法。代码耗时：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 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行。 

# 第二次优化写法。代码耗时：9.9秒 import math

def computeSqrt(size: int):
    result = []
    sqrt = math.sqrt # 赋值给局部变量 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函数中还有.的存在，那就是调用list的append方法。通过将该方法赋值给一个局部变量，可以彻底消除computeSqrt函数中for循环内部的.使用。 

# 推荐写法。代码耗时：7.9秒 import math

def computeSqrt(size: int):
    result = []
    append = result.append
    sqrt = math.sqrt # 赋值给局部变量 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 避免类内属性访问 

# 不推荐写法。代码耗时：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.的原则也适用于类内属性，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。 

# 推荐写法。代码耗时：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 

# 不推荐写法，代码耗时：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。 

# 推荐写法，代码耗时：0.33秒 class DemoClass:
    def __init__(self, value: int):
        self.value = value # 避免不必要的属性访问器 def main():
    size = 1000000 for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

4. 避免数据复制

4.1 避免无意义的数据复制 

# 不推荐写法，代码耗时：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()

上面的代码中value_list完全没有必要，这会创建不必要的数据结构或复制。 

# 推荐写法，代码耗时：4.8秒 def main():
    size = 10000 for _ in range(size):
        value = range(size)
        square_list = [x * x for x in value] # 避免无意义的复制 main()

另外一种情况是对 Python 的数据共享机制过于偏执，并没有很好地理解或信任 Python 的内存模型，滥用 copy.deepcopy()之类的函数。通常在这些代码中是可以去掉复制操作的。

4.2 交换值时不使用中间变量 

# 不推荐写法，代码耗时：0.07秒 def main():
    size = 1000000 for _ in range(size):
        a = 3
        b = 5
        temp = a
        a = b
        b = temp

main()

上面的代码在交换值时创建了一个临时变量temp，如果不借助中间变量，代码更为简洁、且运行速度更快。 

# 推荐写法，代码耗时：0.06秒 def main():
    size = 1000000 for _ in range(size):
        a = 3
        b = 5
        a, b = b, a # 不借助中间变量 main()

4.3 字符串拼接用join而不是+ 

# 不推荐写法，代码耗时：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()

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  个字符串，会产生  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。 

# 推荐写法，代码耗时：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条件的短路特性 

# 不推荐写法，代码耗时：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', '.']
        result = concatString(string_list)

main()

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。 

# 推荐写法，代码耗时：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 条件的短路特性 result += str_i return result

def main(): for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()

6. 循环优化

6.1 用for循环代替while循环 

# 不推荐写法。代码耗时：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循环比while循环快不少。 

# 推荐写法。代码耗时：4.3秒 def computeSum(size: int) -> int:
    sum_ = 0 for i in range(size): # for 循环代替 while 循环 sum_ += i return sum_

def main():
    size = 10000 for _ in range(size):
        sum_ = computeSum(size)

main()

6.2 使用隐式for循环代替显式for循环

针对上面的例子，更进一步可以用隐式for循环来替代显式for循环 

# 推荐写法。代码耗时：1.7秒 def computeSum(size: int) -> int: return sum(range(size)) # 隐式 for 循环代替显式 for 循环 def main():
    size = 10000 for _ in range(size):
        sum = computeSum(size)

main()

6.3 减少内层for循环的计算 

# 不推荐写法。代码耗时：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。 

# 推荐写法。代码耗时：7.0秒 import math

def main():
    size = 10000
    sqrt = math.sqrt for x in range(size):
        sqrt_x = sqrt(x) # 减少内层 for 循环的计算 for y in range(size):
            z = sqrt_x + sqrt(y)

main()

7. 使用numba.jit

我们沿用上面介绍过的例子，在此基础上使用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 

# 推荐写法。代码耗时：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. 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  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  。

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：

TimeComplexity - Python Wikiwiki.python.org


来源：http://suo.im/5Ee6jm

免责声明：本文内容由21ic获得授权后发布，版权归原作者所有，本平台仅提供信息存储服务。文章仅代表作者个人观点，不代表本平台立场，如有问题，请联系我们，谢谢！

21ic电子网

扫描二维码，关注更多精彩内容

本站声明： 本文章由作者或相关机构授权发布，目的在于传递更多信息，并不代表本站赞同其观点，本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者，如若文章内容侵犯您的权益，请及时联系本站删除。
换一批
延伸阅读
[消费电子]

简述人工智能未来的发展趋势

2023年10月18日，中国在第三届“一带一路”国际合作高峰论坛期间发布《全球人工智能治理倡议》，围绕人工智能发展、安全、治理三方面系统阐述了人工智能治理中国方案。

关键字： 人工智能 大模型 代码
[IAR]

与您一路同行：从代码质量到全面安全

我们看到这么多的安全问题，部分原因在于我们对待安全的方式：安全性通常被认为是事后考虑的问题，是在开发结束时才添加到设备上的东西。然而，复杂的系统，尤其是嵌入式系统，有一个很大的攻击面，这让攻击者有机可乘，能够在“盔甲”上...

关键字： 代码 嵌入式系统 软件漏洞
[产业新闻]

高金和嘉信理财发布第七年度《中国新富人群财富健康指数》

新富人群财务需求多元发展，投顾服务迎来新机遇 上海2023年9月20日 /美通社/ -- 2023年9月19日，上海交通大学上海高级金融学院（高金）与全球领先的金融服务机构嘉信理财（Charles Schwab）联合发...

关键字： BSP ADVANCED INA 代码
[产业新闻]

诺诚健华宣布SHP2抑制剂ICP-189联用EGFR抑制剂伏美替尼获批临床

北京2023年9月14日 /美通社/ -- 生物医药高科技公司诺诚健华（港交所代码：09969；上交所代码：688428）今日宣布，新型蛋白酪氨酸磷酸酶SHP2变构抑制剂ICP-189联用针对表皮生长因子受体（EGFR）...

关键字： IC HP 代码 ARMA
[产业新闻]

安集科技2023半年报发布：行稳致远

上海2023年9月1日 /美通社/ -- 2023上半年，安集科技（股票代码：688019）市场拓展规划成效显现，营业收入稳健增长。 全球半导体产业挑战持续存在的情形下，安集科技秉承发扬"克难攻坚，敢打硬...

关键字： 安集科技 BSP 代码 半导体材料
[产业新闻]

Nuvei与丽笙酒店集团合作，成为其首选支付伙伴

国际酒店运营商升级其在线支付功能 上海2023年8月28日 /美通社/ -- 加拿大金融科技公司Nuvei Corporation（以下简称“Nuvei”或“公司”）（纳斯达克代码：NVEI）（多伦多证券交易所代码：N...

关键字： 代码 IP SE 纳斯达克
[产业新闻]

金邦达宝嘉公布2023中期业绩

2023年上半年收入7.459亿元 同比增长5.1% 毛利率水平上升 海外收入同比增长65.4% 香港2023年8月22日 /美通社/ -- 金邦达宝嘉控股有限公司及其附属公司（以下合称「金邦达」、「...

关键字： 数字化 代码 嵌入式软件 COM
[产业新闻]

通过有效的云治理提高云业务价值

我们经常对正在进行数字化转型的亚马逊云科技客户建议，将云迁移视为其数字化转型的一部分，数字化转型本身必须由业务成果驱动。其中治理计划的有效性决定了云迁移和数字化转型的成功与否。数字化转型中的云迁移总有结束的时候，但是如果...

关键字： 代码 数字化 云服务
[产业新闻]

百济神州广州生物药生产基地所产百泽安®首发中国澳门特别行政区

广州及苏州生产基地产品均实现"出口"零突破 北京2023年8月21日 /美通社/ -- 百济神州（纳斯达克代码：BGNE；香港联交所代码：06160；上交所代码：688235）是一家全球性生物科技公...

关键字： 神州 代码 TI PD
[IAR]

如何通过提升代码质量，加速完成项目的功能安全认证

近年来，国内电子公司和芯片设计企业大举进攻汽车、医疗和工业等高可靠应用(mission-critical)领域，为自己找到了摆脱红海的新领域。但是高可靠应用多数都需要功能安全认证，在许多行业在诸如汽车、航空电子、医疗和工...

关键字： 代码 代码分析工具
关闭
关闭