正文

几个压箱底的tips，python提速不是一点点(代码片段)

机器学习算法与Python学习-公众号  机器学习算法与Python学习-公众号  2023-01-17  754

关键词：

点击 机器学习算法与Python学习 ，选择加星标

精彩内容不迷路

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`.`

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

# 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 n 个字符串，会产生 n-1 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 O(1) 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 O(1) 。

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/moin/TimeComplexity

参考资料

David Beazley & Brian K. Jones. Python Cookbook, Third edition. O Reilly Media, ISBN: 9781449340377, 2013.
张颖 & 赖勇浩. 编写高质量代码：改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.

作者：知乎-张皓

https://zhuanlan.zhihu.com/p/143052860

觉得不错，请点个在看呀

内存泄露？腾讯工程师2个压箱底的方法和工具(代码片段)

导读｜遭受内存泄露往往是令开发者头疼的问题，传统分析工具gdb、Valgrind在解决内存泄露问题上效率较低。本文特别邀请到了腾讯后台开发工程师邢孟棒以TDSQL实际生产中mysql-proxy内存泄露问题作为分析对象，分享其... 查看详情

hamilton申请出战！这15个压箱底的景点，当地人都未必全玩过

参考技术A我最近围着多伦多探索了不少地方的Pro玩法，Hamilton小伙伴坐不住了！“轮也该轮到我们了吧！”话不多说，这就给安排上！这15个高能玩法，就算当地居民也未必全都打卡过！这周安省最终入春成功，挑个好天气，咱... 查看详情

python破解wifi密码怎么提速?

...ist，可以不填，含义是：可能的密码，有时候你可能知道几个密码，但是不确定是哪一个了，你可以把预期的密码，写在这里面，让程序自己去试验。我个人最常用这个功能，尤其是在切换不同wifi的时候如果你完全不知道密码... 查看详情

codeforces访问提速攻略（小技巧）(代码片段)

codeforces是不是很慢呢？反正蒟蒻打比赛的时候经常几分钟打不开题面然后就被吊打了。。。于是几番周折整理了一点解决办法。hosts替换字体库codeforces加载google的字体库需要很长时间，可以通过修改hosts找到字体的替代。Win10的... 查看详情

写出更优雅和稳健的ts代码的几个tips(代码片段)

写出更优雅和稳健的TS代码的几个tips本来想放优雅太优雅了.jpg，后来还是好懒啊……使用unknown代替anyany的问题在于它直接关闭了TS的类型检查，因此一旦使用了any，那就代表任何事情都会发生。使用unknown则告诉TSÿ... 查看详情

linux疑难杂症解决方案100篇-带你学习提速增效的几个常用shell命令(代码片段)

...式。常用的结果参数curl 的参数包括很多，这里只说几个常用的，如果遇查看详情

tcp的几个状态tips:

TIPS状态状态flagslist:SYN,FIN,ACK,PSH,RST,URG.##NOTESYN:建立连接的握手信号，小包；FIN:关闭连接,发送方字节流结束,与SYN不可能同时为1；ACK:表示响应；PSH:表示有DATA数据传输RST表示连接重置。URG（紧急位）：设... 查看详情

「干货」让python性能起飞的15个技巧，你知道几个呢？

参考技术A前言Python一直以来被大家所诟病的一点就是执行速度慢，但不可否认的是Python依然是我们学习和工作中的一大利器。本文总结了15个tips有助于提升Python执行速度、优化性能。关于Python如何精确地测量程序的执行时间，... 查看详情

python中的tips(代码片段)

文章目录Python中的Tips1.转化字典统计的工具Counter2.大小写转换Python中的Tips1.转化字典统计的工具Countercollections是日常工作中的重点、高频模块，常用类型有：计数器（Counter）双向队列（deque）默认字典࿰... 查看详情

检查几个布尔值是不是具有相同的值

】检查几个布尔值是不是具有相同的值【英文标题】：Checkifseveralbooleanshavethesamevalue检查几个布尔值是否具有相同的值【发布时间】：2012-07-0101:57:04【问题描述】：我有三个布尔变量。我需要检查三个都是真的还是三个都是假的... 查看详情

写出更优雅和稳健的ts代码的几个tips(代码片段)

用taichi加速python：提速100+倍！(代码片段)

Python已经成为世界上最流行的编程语言，尤其在深度学习、数据科学等领域占据主导地位。但是由于其解释执行的属性，Python较低的性能很影响它在计算密集（比如多重for循环）的场景下发挥作用，实在让人... 查看详情

强化学习技巧五：numba提速python程序(代码片段)

numba是一款可以将python函数编译为机器代码的JIT编译器，经过numba编译的python代码（仅限数组运算），其运行速度可以接近C或FORTRAN语言。numba使用情况使用numpy数组做大量科学计算时使用for循环时1.numba使用导入numpy... 查看详情

20181214-python-tips(代码片段)

layouttitlecategoriestagsdatedescriptionpostPython中的一些奇淫技巧blogPython2018-12-1404:14:00-0800Python入门简单，但是无论哪种语言，都有语言设计者赋予其中的特殊意义的东西，可能是为了方便，可能是为了得到高的level,无论... 查看详情

用python做策略回测，耗时很长，有啥加速办法

...的python方法，先看看numpy/pandas是不是已有现成的功能。有几个numpy的加速包，比如numexpr.安装IntelMKL.最后，可以讲关键部分用c/c++实现。如果无法避开python的for，建议使用Numba来提速，理想情况下可以达到和numpy向量化差不多的速... 查看详情

tips

...，也是publicstatic的tool与某些业务有关，通用性只限于某几个业务类之间要调用某些业务相关的类方法通常是publ 查看详情

python之父爆料：明年至少令python提速1倍！(代码片段)

...程序员交流群????????作者：豌豆花下猫来源：Python猫大概在半年前，我偶然看到一篇文章，有人提出了给Python提速5倍的计划，并在寻找经费赞助。当时并没有在意，此后也没有看到这方面的消息。但... 查看详情

import一个“太极”库，让python代码提速100倍！

丰色发自凹非寺量子位|公众号QbitAI众所周知，Python的简单和易读性是靠牺牲性能为代价的——尤其是在计算密集的情况下，比如多重for循环。不过现在，大佬胡渊鸣说了：只需import一个叫做“Taichi”的库，就... 查看详情

正文

几个压箱底的tips，python提速不是一点点(代码片段)

0. 代码优化原则

1. 避免全局变量

2. 避免.

2.2 避免类内属性访问

3. 避免不必要的抽象

4. 避免数据复制

5. 利用if条件的短路特性

6. 循环优化

7. 使用numba.jit

8. 选择合适的数据结构

参考资料

内存泄露？腾讯工程师2个压箱底的方法和工具(代码片段)

hamilton申请出战！这15个压箱底的景点，当地人都未必全玩过

python破解wifi密码怎么提速?

codeforces访问提速攻略（小技巧）(代码片段)

写出更优雅和稳健的ts代码的几个tips(代码片段)

linux疑难杂症解决方案100篇-带你学习提速增效的几个常用shell命令(代码片段)

tcp的几个状态tips:

「干货」让python性能起飞的15个技巧，你知道几个呢？

python中的tips(代码片段)

检查几个布尔值是不是具有相同的值

写出更优雅和稳健的ts代码的几个tips(代码片段)

用taichi加速python：提速100+倍！(代码片段)

强化学习技巧五：numba提速python程序(代码片段)

20181214-python-tips(代码片段)

用python做策略回测，耗时很长，有啥加速办法

tips

python之父爆料：明年至少令python提速1倍！(代码片段)

import一个“太极”库，让python代码提速100倍！

2. 避免`.`

5. 利用`if`条件的短路特性

7. 使用`numba.jit`