强!8个Python优化提速的小技巧!,


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 

  1. # 不推荐写法。代码耗时:26.8秒  
  2. import math  
  3. size = 10000  
  4. for x in range(size):  
  5.     for y in range(size):  
  6.         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。

  1. # 推荐写法。代码耗时:20.6秒  
  2. import math  
  3. def main():  # 定义到函数中,以减少全部变量使用  
  4.     size = 10000  
  5.     for x in range(size):  
  6.         for y in range(size):  
  7.             z = math.sqrt(x) + math.sqrt(y)  
  8. main() 

2. 避免.

2.1 避免模块和函数属性访问 

  1. # 不推荐写法。代码耗时:14.5秒  
  2. import math  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     for i in range(size):  
  6.         result.append(math.sqrt(i))  
  7.     return result  
  8. def main():  
  9.     size = 10000  
  10.     for _ in range(size):  
  11.         result = computeSqrt(size)  
  12. 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。

  1. # 第一次优化写法。代码耗时:10.9秒  
  2. from math import sqrt  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     for i in range(size):  
  6.         result.append(sqrt(i))  # 避免math.sqrt的使用  
  7.     return result  
  8. def main():  
  9.     size = 10000  
  10.     for _ in range(size):  
  11.         result = computeSqrt(size)  
  12. 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。

  1. # 第二次优化写法。代码耗时:9.9秒  
  2. import math  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     sqrt = math.sqrt  # 赋值给局部变量  
  6.     for i in range(size):  
  7.         result.append(sqrt(i))  # 避免math.sqrt的使用  
  8.     return result  
  9. def main():  
  10.     size = 10000  
  11.     for _ in range(size):  
  12.         result = computeSqrt(size)  
  13. 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。

  1. # 推荐写法。代码耗时:7.9秒  
  2. import math  
  3. def computeSqrt(size: int):  
  4.     result = []  
  5.     append = result.append  
  6.     sqrt = math.sqrt    # 赋值给局部变量  
  7.     for i in range(size):  
  8.         append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用  
  9.     return result  
  10. def main():  
  11.     size = 10000  
  12.     for _ in range(size):  
  13.         result = computeSqrt(size)  
  14. main() 

2.2 避免类内属性访问 

  1. # 不推荐写法。代码耗时:10.4秒  
  2. import math  
  3. from typing import List  
  4. class DemoClass:  
  5.     def __init__(self, value: int):  
  6.         self._value = value      
  7.     def computeSqrt(self, size: int) -> List[float]:  
  8.         result = []  
  9.         append = result.append  
  10.         sqrt = math.sqrt  
  11.         for _ in range(size):  
  12.             append(sqrt(self._value))  
  13.         return result  
  14. def main():  
  15.     size = 10000  
  16.     for _ in range(size):  
  17.         demo_instance = DemoClass(size)  
  18.         result = demo_instance.computeSqrt(size)  
  19. 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。

  1. # 推荐写法。代码耗时:8.0秒  
  2. import math  
  3. from typing import List  
  4. class DemoClass:  
  5.     def __init__(self, value: int):  
  6.         self._value = value      
  7.     def computeSqrt(self, size: int) -> List[float]:  
  8.         result = []  
  9.         append = result.append  
  10.         sqrt = math.sqrt  
  11.         value = self._value  
  12.         for _ in range(size):  
  13.             append(sqrt(value))  # 避免 self._value 的使用  
  14.         return result  
  15. def main():  
  16.     size = 10000  
  17.     for _ in range(size):  
  18.         demo_instance = DemoClass(size)  
  19.         demo_instance.computeSqrt(size)  
  20. main() 

3. 避免不必要的抽象 

  1. # 不推荐写法,代码耗时:0.55秒  
  2. class DemoClass: 
  3.     def __init__(self, value: int):  
  4.         self.value = value  
  5.     @property  
  6.     def value(self) -> int:  
  7.         return self._value  
  8.     @value.setter  
  9.     def value(self, x: int):  
  10.         self._value = x  
  11. def main():  
  12.     size = 1000000  
  13.     for i in range(size):  
  14.         demo_instance = DemoClass(size)  
  15.         value = demo_instance.value  
  16.         demo_instance.value = i  
  17. 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。

  1. # 推荐写法,代码耗时:0.33秒  
  2. class DemoClass:  
  3.     def __init__(self, value: int):  
  4.         self.value = value  # 避免不必要的属性访问器  
  5. def main():  
  6.     size = 1000000  
  7.     for i in range(size):  
  8.         demo_instance = DemoClass(size)  
  9.         value = demo_instance.value  
  10.         demo_instance.value = i   
  11. main() 

4. 避免数据复制

4.1 避免无意义的数据复制 

  1. # 不推荐写法,代码耗时:6.5秒  
  2. def main():  
  3.     size = 10000  
  4.     for _ in range(size):  
  5.         value = range(size)  
  6.         value_list = [x for x in value]  
  7.         square_list = [x * x for x in value_list]  
  8. 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。

  1. # 推荐写法,代码耗时:4.8秒  
  2. def main():  
  3.     size = 10000  
  4.     for _ in range(size):  
  5.         value = range(size)  
  6.         square_list = [x * x for x in value]  # 避免无意义的复制  
  7. 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 

  1. # 不推荐写法,代码耗时:0.07秒  
  2. def main():  
  3.     size = 1000000  
  4.     for _ in range(size):  
  5.         a = 3  
  6.         b = 5  
  7.         temp = a  
  8.         a = b  
  9.         b = temp   
  10. 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。

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

4.3 字符串拼接用join而不是+ 

  1. # 不推荐写法,代码耗时:2.6秒  
  2. import string  
  3. from typing import List  
  4. def concatString(string_list: List[str]) -> str:  
  5.     result = ''  
  6.     for str_i in string_list:  
  7.         result += str_i  
  8.     return result  
  9. def main():  
  10.     string_list = list(string.ascii_letters * 100)  
  11.     for _ in range(10000):  
  12.         result = concatString(string_list)  
  13. 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。

  1. # 不推荐写法,代码耗时:2.6秒  
  2. import string  
  3. from typing import List  
  4. def concatString(string_list: List[str]) -> str:  
  5.     result = ''  
  6.     for str_i in string_list:  
  7.         result += str_i  
  8.     return result  
  9. def main():  
  10.     string_list = list(string.ascii_letters * 100)  
  11.     for _ in range(10000):  
  12.         result = concatString(string_list)  
  13. main() 

5. 利用if条件的短路特性 

  1. # 不推荐写法,代码耗时:0.05秒  
  2. from typing import List  
  3. def concatString(string_list: List[str]) -> str:  
  4.     abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}  
  5.     abbr_count = 0  
  6.     result = ''  
  7.     for str_i in string_list:  
  8.         if str_i in abbreviations:  
  9.             result += str_i  
  10.     return result  
  11. def main():  
  12.     for _ in range(10000):  
  13.         string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']  
  14.         result = concatString(string_list)  
  15. 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。

  1. # 推荐写法,代码耗时:0.03秒  
  2. from typing import List  
  3. def concatString(string_list: List[str]) -> str:  
  4.     abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}  
  5.     abbr_count = 0  
  6.     result = ''  
  7.     for str_i in string_list:  
  8.         if str_i[-1] == '.' and str_i in abbreviations:  # 利用 if 条件的短路特性  
  9.             result += str_i  
  10.     return result  
  11. def main():  
  12.     for _ in range(10000):  
  13.         string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']  
  14.         result = concatString(string_list)  
  15. main() 

6. 循环优化

6.1 用for循环代替while循环 

  1. # 不推荐写法。代码耗时:6.7秒  
  2. def computeSum(size: int) -> int:  
  3.     sum_ = 0  
  4.     i = 0  
  5.     while i < size:  
  6.         sum_ += i  
  7.         i += 1  
  8.     return sum_  
  9. def main():  
  10.     size = 10000  
  11.     for _ in range(size):  
  12.         sum_ = computeSum(size) 
  13.  main() 

Python 的for循环比while循环快不少。

  1. # 推荐写法。代码耗时:4.3秒  
  2. def computeSum(size: int) -> int:  
  3.     sum_ = 0  
  4.     for i in range(size):  # for 循环代替 while 循环  
  5.         sum_ += i  
  6.     return sum_  
  7. def main():  
  8.     size = 10000  
  9.     for _ in range(size):  
  10.         sum_ = computeSum(size)  
  11. 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

  1. # 推荐写法。代码耗时:1.7秒  
  2. def computeSum(size: int) -> int:  
  3.     return sum(range(size))  # 隐式 for 循环代替显式 for 循环  
  4. def main():  
  5.     size = 10000  
  6.     for _ in range(size):  
  7.         sum = computeSum(size)  
  8. main() 

6.3 减少内层for循环的计算 

  1. # 不推荐写法。代码耗时:12.8秒  
  2. import math  
  3. def main():  
  4.     size = 10000  
  5.     sqrt = math.sqrt  
  6.     for x in range(size):  
  7.         for y in range(size):  
  8.             z = sqrt(x) + sqrt(y)  
  9. 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。

  1. # 推荐写法。代码耗时:7.0秒  
  2. import math  
  3. def main():  
  4.     size = 10000  
  5.     sqrt = math.sqrt  
  6.     for x in range(size):  
  7.         sqrtsqrt_x = sqrt(x)  # 减少内层 for 循环的计算  
  8.         for y in range(size):  
  9.             z = sqrt_x + sqrt(y)  
  10. 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

  1. # 推荐写法。代码耗时:0.62秒  
  2. import numba  
  3. @numba.jit  
  4. def computeSum(size: float) -> int:  
  5.     sum = 0  
  6.     for i in range(size):  
  7.         sum += i  
  8.     return sum  
  9. def main():  
  10.     size = 10000  
  11.     for _ in range(size):  
  12.         sum = computeSum(size)  
  13. 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:https://wiki.python.org/moin/TimeComplexity

鸿蒙官方战略合作共建——HarmonyOS技术社区

评论关闭