Python代碼優化的幾點思路總結

代碼優化原則

　　Python 是一種腳本語言，相比 C/C++ 等編譯語言，在效率和性能方面存在一些不足。但是，有很多時候，Python 的效率並沒有想象中的那么誇張。下面對 Python 代碼加速運行的技巧進行整理。

在深入代碼優化細節之前，需要了解一些代碼優化基本原則：

1. 第一個基本原則是不要過早優化。很多人一開始寫代碼就奔着性能優化的目標，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優化的前提是代碼能正常工作。過早地進行優化可能會忽視對總體性能指標的把握，在得到全局結果前不要主次顛倒。
2. 第二個基本原則是權衡優化的代價。優化是有代價的，想解決所有性能的問題是幾乎不可能的。通常面臨的選擇是時間換空間或空間換時間。另外，開發代價也需要考慮。
3. 第三個原則是不要優化那些無關緊要的部分。如果對代碼的每一部分都去優化，這些修改會使代碼難以閱讀和理解。如果你的代碼運行速度很慢，首先要找到代碼運行慢的位置，通常是內部循環，專注於運行慢的地方進行優化。在其他地方，一點時間上的損失沒有什么影響。

 

一、 避免全局變量

　　當編寫腳本時，通常習慣了直接將其寫為全局變量，但是，由於全局變量和局部變量實現方式不同，定義在全局范圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通常可帶來 15% - 30% 的速度提升。

# 不推薦寫法。代碼耗時：26.8秒
import math

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

# 推薦寫法。代碼耗時：20.6秒
import math

def main():  # 定義到函數中，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()

 

二、避免模塊和函數屬性訪問

　　每次使用.（屬性訪問操作符時）會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。通過from import語句，可以消除屬性訪問。

# 不推薦寫法。代碼耗時：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()

# 第一次優化寫法。代碼耗時：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()

# 第二次優化寫法。代碼耗時：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()

 

三、避免類內屬性訪問

　　避免.的原則也適用於類內屬性，訪問 self._value 的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。

# 不推薦寫法。代碼耗時：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()

# 推薦寫法。代碼耗時：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()

 

四、避免不必要的抽象

　　當使用額外的處理層（比如裝飾器、屬性訪問、描述器）去包裝代碼時，都會讓代碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用 getter/setter 函數對屬性進行訪問通常是 C/C++ 程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。

# 不推薦寫法，代碼耗時：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()

# 推薦寫法，代碼耗時：0.33秒
class DemoClass:
    def __init__(self, value: int):
        self.value = value  # 避免不必要的屬性訪問器

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

 

五、避免無意義的數據復制

5.1 不創建不必要的數據結構或復制

# 不推薦寫法，代碼耗時：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()

# 推薦寫法，代碼耗時：4.8秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        square_list = [x * x for x in value]  # 避免無意義的復制

main()

 

5.2 交換值時不使用中間變量

5.3 字符串拼接用join而不是+

　　當使用 a+b 拼接字符串時，由於 Python 中字符串是不可變對象，其會申請一塊內存空間，將 a 和 b 分別復制到該新申請的內存空間中。因此，如果要拼接 n 個字符串，會產生 n-1 個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。而使用 join() 拼接字符串時，會首先計算出需要申請的總的內存空間，然后一次性地申請所需內存，並將每個字符串元素復制到該內存中去。

 

六、利用if條件的短路特性

    if 條件的短路特性是指對 if a and b 這樣的語句， 當 a 為 False 時將直接返回，不再計算 b；對於 if a or b 這樣的語句，當 a 為 True 時將直接返回，不再計算 b。因此， 為了節約運行時間，對於 or 語句，應該將值為 True 可能性比較高的變量寫在 or 前，而 and 應該推后。

 

七、循環優化

7.1 Python 的 for 循環比 while 循環快不少。

7.2 使用隱式for循環代替顯式for循環

def computeSum(size: int) -> int:
    sum_ = 0
    for i in range(size):  # for 循環代替 while 循環
        sum_ += i
    return sum_

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

main()

# 推薦寫法。代碼耗時：1.7秒
def computeSum(size: int) -> int:
    return sum(range(size))  # 隱式 for 循環代替顯式 for 循環

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

main()

7.3 減少內層for循環的計算

# 不推薦寫法。代碼耗時：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() 

# 推薦寫法。代碼耗時：7.0秒
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        sqrt_x = sqrt(x)  # 減少內層 for 循環的計算
        for y in range(size):
            z = sqrt_x + sqrt(y)

main() 

 

八、使用numba.jit

　　我們沿用上面介紹過的例子，在此基礎上使用 numba.jit。numba 可以將 Python 函數 JIT 編譯為機器碼執行，大大提高代碼運行速度。關於 numba 的更多信息見下面的主頁：http://numba.pydata.org/numba.pydata.org

# 推薦寫法。代碼耗時：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()

 

九、選擇合適的數據結構

　　Python 內置的數據結構 str、tuple、list、dict 底層都是 C 實現的，速度非常快，自己實現新的數據結構想在性能上達到內置的速度幾乎是不可能的。

　　list 類似於 C++ 中的 std::vector，是一種動態數組。其會預分配一定內存空間，當預分配的內存空間用完，又繼續向其中添加元素時，會申請一塊更大的內存空間，然后將原有的所有元素都復制過去，之后銷毀之前的內存空間，再插入新元素。

　　刪除元素時操作類似，當已使用內存空間比預分配內存空間的一半還少時，會另外申請一塊小內存，做一次元素復制，之后銷毀原有大內存空間。

　　因此，如果有頻繁的新增、刪除操作，新增、刪除的元素數量又很多時，list 的效率不高。此時，應該考慮使用 collections.deque。collections.deque 是雙端隊列，同時具備棧和隊列的特性，能夠在兩端進行 O(1) 復雜度的插入和刪除操作。

　　list 的查找操作也非常耗時。當需要在 list 頻繁查找某些元素，或頻繁有序訪問這些元素時，可以使用 bisect 維護 list 對象有序並在其中進行二分查找，提升查找的效率。

　　另外一個常見需求是查找極小值或極大值，此時可以使用 heapq 模塊將 list 轉化為一個堆，使得獲取最小值的時間復雜度是 O(1)。

下面的網頁給出了常用的 Python 數據結構的各項操作的時間復雜度：https://wiki.python.org/moin/TimeComplexity

 

 

 

 

參考：https://mp.weixin.qq.com/s/UAAK6rlavFYWy43OxZmDeA