有哪些Python加速技能

這篇文章主要講解了“有哪些Python加速技能”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“有哪些Python加速技能”吧！

1. 避免使用全局變量

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

許多程序員一開始都會用Python語言編寫一些簡單的腳本。編寫腳本時，通常直接使用全局變量，就像上面這段代碼。

但由于全局變量和局部變量的實現方式不同，全局變量中定義的代碼要比在函數中定義的函數運行起來慢得多。把腳本語句放入函數中，通常運行速度可提高15%-30%。如下所示：

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

2. 避免數據重復

避免無意義的數據復制

def main():     size = 10000     for _ in range(size):         value = range(size)         value_list = [x for x in value]         square_list = [x * x for x invalue_list]main()

這段代碼中，value_list完全沒有必要，這會創建不必要的數據結構或復制。

def main():     size = 10000     for _ in range(size):         value = range(size)         square_list = [x * x for x invalue]main()

另一個原因在于Python的數據共享機制過于偏執，沒有很好理解或信任內存模型，例如濫用copy.deepcopy()函數。我們可以刪除此類代碼中的復制操作。

交換值時無需使用中間變量

def main():     size = 1000000     for _ in range(size):         a = 3         b = 5         temp = a         a = b         b = tempmain()

上述代碼在交換值時創建了一個臨時變量temp。如果沒有中間變量，代碼會更加簡潔，運行速度也更快。

def main():     size = 1000000     for _ in range(size):         a = 3         b = 5         a, bb = b, amain()

使用字符串聯方法join ，而不是'+'

import string from typing import Listdef concatString(string_list: List[str]) -> str:     result = ''     for str_i in string_list:         result += str_i     return resultdef main():     string_list =list(string.ascii_letters * 100)     for _ in range(10000):         result =concatString(string_list)main()

另一要點是a+b對字符串進行拼接，由于在Python中字符串是不可變的對象，所以實際上a和b分別復制到了應用程序的新內存空間中。

因此，如果拼接n個字符串會產生“ n-1”個中間結果，則每個字符串都會產生應用和復制內存所需的中間結果，從而嚴重影響操作效率。

在使用join()串聯字符串時，首先計算需要應用的總內存空間，然后立即申請所需的內存，再把每個字符串元素復制到內存中。

import string from typing import Listdef concatString(string_list: List[str]) -> str:     return ''.join(string_list)defmain():     string_list = list(string.ascii_letters* 100)     for _ in range(10000):         result =concatString(string_list)main()

3. 避免使用以下函數屬性

避免訪問模塊和函數屬性

import mathdef computeSqrt(size:int):     result = []     for i in range(size):         result.append(math.sqrt(i))     return resultdef main():     size = 10000     for _ in range(size):         result = computeSqrt(size)main()

use(屬性訪問運算符)會觸發特定方法，例如getattribute()和getattr()，這些方法將執行字典操作，會產生額外的時間消耗。

通過使用import語句，可以消除屬性訪問：

from math import sqrtdefcomputeSqrt(size: int):     result = []     for i in range(size):         result.append(sqrt(i))     return resultdef main():     size = 10000     for _ in range(size):         result = computeSqrt(size)main()

前文中我們討論了局部變量可以比全局變量實現更快查找，對于經常訪問的變量(如sqrt)，可以通過更改為局部變量以加快操作速度。

import mathdef computeSqrt(size:int):     result = []     sqrt = math.sqrt     for i in range(size):         result.append(sqrt(i))     return resultdef main():     size = 10000     for _ in range(size):         result = computeSqrt(size)main()

避免類屬性訪問

import math from typing import Listclass 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 resultdef main():     size = 10000     for _ in range(size):         demo_instance = DemoClass(size)         result =demo_instance.computeSqrt(size)main()

避免的原理也適用于類的屬性，并且訪問self._value的速度要比訪問局部變量的速度要慢。通過把需要頻繁訪問的類屬性分配給局部變量，可以提高代碼執行速度。

import math from typing import Listclass 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))         return resultdef main():     size = 10000     for _ in range(size):         demo_instance = DemoClass(size)        demo_instance.computeSqrt(size)main()

4. 避免不必要的抽象

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

每當使用其他處理層(例如裝飾器、屬性訪問、描述符)封裝代碼時，代碼運行的速度也會變慢。在大多數情況下，重新檢查是否有必要使用屬性訪問器定義是很有必要的。

使用getter/setter函數訪問屬性通常是被C/C++程序員遺忘的一種編碼樣式。如果確實沒有必要，就使用簡單屬性就好。

class DemoClass:     def __init__(self, value: int):         self.value = valuedef main():     size = 1000000     for i in range(size):         demo_instance = DemoClass(size)         value = demo_instance.value         demo_instance.value = imain()

5. 選擇合適的數據結構

眾所周知，列表是Python中的動態數組。當預分配的內存空間用完時，會預分配一定的內存空間，然后繼續向其中添加元素。然后復制之前的所有原始元素，形成一個新的內存空間，在插入新元素之前銷毀先前的內存空間。

因此，如果頻繁添加或刪除，或者添加或刪除的元素數量太大，列表的效率就會變低，目前最好使用collections.deque。

此雙端隊列具有堆棧和隊列的特性，并且可以在兩端以O(1)復雜度執行插入和刪除操作。

列表搜索操作非常耗時。當需要頻繁查找某些元素或按順序頻繁訪問這些元素時，保持列表 對象有序的情況下使用二分法，使用二進制搜索以提高搜索效率，但二進制搜索僅適用于有序元素。

另一個常見的要求是找到最小值或最大值。此時，可以使用heapq模塊列出轉換為堆的列表，因此獲取最小值的時間復雜度為O(1)。

6. 循環優化

使用 for 循環代替while 循環

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()

要知道，Python中的for循環要比while循環快得多。

def computeSum(size: int) ->int:     sum_ = 0     for i in range(size):         sum_ += i     return sum_def main():     size = 10000     for _ in range(size):         sum_ = computeSum(size)main()

使用隱式for循環，而不是顯式for循環

對于上面的示例，可以進一步使用隱式for循環替換顯式for循環

def computeSum(size: int) ->int:     return sum(range(size))def main():     size = 10000     for _ in range(size):         sum = computeSum(size)main()

減少內部循環的計算

from math import sqrtdef main():     size = 10000    for x in range(size):         for y in range(size):             z = sqrt(x) + sqrt(y)main()

在上述for循環中的代碼sqrt(x)中，在訓練期間每次都需要進行重新計算，這會增加時間消耗。

import mathdef main():     size = 10000for x in range(size):         sqrtsqrt_x = sqrt(x)         for y in range(size):             z = sqrt_x + sqrt(y)main()

7. 使用 numba.jit

繼續遵循上述示例，并在此基礎上使用numba.jit。Python函數JIT可以編譯為機器代碼用以執行，這能大大提高了代碼執行速度。

import numba@numba.jit def computeSum(size: float) -> int:     sum = 0     for i in range(size):         sum += i     return sumdef main():     size = 10000     for _ in range(size):         sum = computeSum(size)main()

8. 代碼優化原則

第一個基本原則就是不要過早優化代碼。

許多人一開始編寫代碼時就致力于性能優化，“加快正確程序的速度要比確保快速程序的正確運作容易得多。”優化代碼的前提是確保代碼可以正常工作。過早的優化可能會忽略對總體性能指標的掌握，并且在獲得總體結果之前不要顛倒順序。

第二個基本原則是權衡優化代碼的成本。

優化代碼是有代價的，想要解決所有性能問題幾乎不可能。通常面臨的選擇是時間換空間或空間換時間，還需要考慮開發成本。

第三個原則是不要優化無關緊要的部分。

如果優化代碼的每個部分后，這些變更會讓代碼變得難以閱讀和理解。如果代碼運行緩慢，首先必須找到代碼運行緩慢的位置(通常是內部循環)，重點優化代碼運行緩慢的地方。對于其他位置，時間的損失影響很小。

感謝各位的閱讀，以上就是“有哪些Python加速技能”的內容了，經過本文的學習后，相信大家對有哪些Python加速技能這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！