提高python運行速度的幾個技巧

使用內置數據類型

內置數據類型非常快，尤其是與我們自定義的類型相比。

這主要是因為內置的數據類型是由 C 實現的，而在 Python 中寫的代碼運行速度實在無法與之相比。

 

盡量使用內置函數,去掉屬性訪問

import math
import time

def func():
    lst = []
    for i in range(1, 10000000):
        lst.append(math.sqrt(i)) # 直接調用 sqrt
    return lst

start = time.time()
lst = func()
end = time.time()
print(end-start)

運行時間：4.470336198806763秒

 

from math import sqrt # 直接引用特定函數或屬性
import time

def func():
lst = []
for i in range(1, 10000000):
lst.append(sqrt(i)) # 直接調用 sqrt
return lst

start = time.time()
lst = func()
end = time.time()
print(end-start)

運行時間：3.7398300170898438秒

因為在進行屬性訪問的時候啊，會調用這個對象的 __getattribute__ 或者 __getattr__ 方法，造成了額外的開銷，所以導致速度變慢。

 

使用生成器，例如列表推導式

from math import sqrt
import time

def func():
# for 循環改為列表推導式
lst = [sqrt(i) for i in range(1, 10000000)]
return lst

start = time.time()
lst = func()
end = time.time()
print(end-start)

列表推導式內的迭代是 C 實現的，所以效率更高。

 

使用 lru_cache 緩存或持久化

參考：https://www.cnblogs.com/-wenli/p/11441142.html

 

盡量使用本地變量

程序運行速度與在每個作用域中查找變量有關。
實際上，訪問不同作用域的變量速度也是不同的，比如在函數內訪問本地變量（最快），訪問類層面變量（如 self.name，比較慢），以及全局變量，比如例子中導入的函數 time.time （這種最慢）。

使用numba

介紹

Numba是Python的即時編譯器，它最適用於使用NumPy數組和函數以及循環的代碼。使用Numba的最常用方法是通過其裝飾器集合，可以應用於您的函數來指示Numba編譯它們。當調用Numba修飾函數時，它被編譯為機器代碼“及時”執行，並且您的全部或部分代碼隨后可以以本機機器代碼速度運行！

什么樣的代碼會被加速？
代碼中的數學運算、NumPy或者循環，兼容常用的科學計算包，如numpy、cmath等。

怎么使用？
只需要添加兩行代碼

導入及使用語法糖

import numba as nb
import numpy as np
import time

@nb.jit(nopython=True)
def nb_sum():
　　arr = []
　　for i in range(10000000):
　　　　arr.append(i)


def py_sum():
　　arr = []
　　for i in range(10000000):
　　　　arr.append(i)


start = time.time()
nb_sum()
end = time.time()
print("numba加速的函數運行時間： %s" % (end - start))


start = time.time()
py_sum()
end = time.time()
print("沒加速的函數運行時間： %s" % (end - start))

工作原理
Numba讀取裝飾函數的Python字節碼，並將其與有關函數輸入參數類型的信息相結合。
它分析並優化您的代碼，最后使用LLVM編譯器庫生成函數的機器代碼版本，根據您的CPU功能量身定制。
每次調用函數時都會使用此編譯版本。