如何讓Python像Julia一樣快地運行

作者：佚名 2017-05-22 10:33:14

在我給出答案之前，我想說我絕不會試圖貶低 Julia。在進一步開發和改進后，Julia 無疑是一種值得關注的語言。我只是想分析 Python方面的事情。實際上，我正在以此為借口來探索各種可用于讓代碼更快運行的 Python 工具。

Julia 與 Python 的比較

我是否應丟棄 Python 和其他語言，使用 Julia 執行技術計算?在看到 http://julialang.org/ 上的基準測試后，人們一定會這么想。Python和其他高級語言在速度上遠遠有些落后。但是，我想到的***個問題有所不同：Julia 團隊能否以最適合 Python 的方式編寫 Python 基準測試?

我對這種跨語言比較的觀點是，應該根據要執行的任務來定義基準測試，然后由語言專家編寫執行這些任務的***代碼。如果代碼全由一個語言團隊編寫，則存在其他語言未得到***使用的風險。

Julia 團隊有一件事做得對，那就是他們將他們使用的代碼發布到了 github 上。具體地講，Python 代碼可在此處找到。

***眼看到該代碼，就可以證實我所害怕的偏見。該代碼是以 C 風格編寫的，在數組和列表上大量使用了循環。這不是使用 Python 的***方式。

我不會責怪 Julia 團隊，因為我很內疚自己也有同樣的偏見。但我受到了殘酷的教訓：付出任何代價都要避免數組或列表上的循環，因為它們確實會拖慢 Python中的速度，請參閱《Python 不是 C》。

考慮到對 C 風格的這種偏見，一個有趣的問題(至少對我而言)是，我們能否改進這些基準測試，更好地使用 Python 及其工具?

在下面的內容中，我使用 Docker 鏡像在 Jupyter Notebook 中使用 Python 3.4.3，其中已安裝了所有的 Python 科學工具組合。我還會通過Windows 機器上的 Python 2.7.10，使用 Anaconda 來運行代碼。計時是對 Python 3.4.3 執行的。包含下面的所有基準測試的完整代碼的 Notebook 可在此處(https://www.ibm.com/developerworks/community/blogs/jfp/resource/julia_python.zip)找到。

鑒于各種社交媒體上的評論，我添加了這樣一句話：我沒有在這里使用 Python 的替代性實現。我沒有編寫任何 C代碼：如果您不信，可試試尋找分號。本文中使用的所有工具都是 Anaconda 或其他發行版中提供的標準的 Cython 實現。下面的所有代碼都在單個 Notebook中運行。

我嘗試過使用來自 github 的 Julia 微性能文件，但不能使用 Julia 0.4.2 原封不動地運行它。我必須編輯它并將 @timeit 替換為@time，它才能運行。在對它們計時之前，我還必須添加對計時函數的調用，否則編譯時間也將包含在內。我使用的文件位于此處。我在用于運行 Python 的同一個機器上使用 Julia 命令行接口運行它。

計時代碼

Julia 團隊使用的***項基準測試是 Fibonacci 函數的一段簡單編碼。

def fib(n): 
 
   if n<2: 
 
       return n 
 
   return fib(n-1)+fib(n-2)

此函數的值隨 n 的增加而快速增加，例如：

fib(100) = 354224848179261915075

可以注意到，Python 任意精度 (arbitrary precision) 很方便。在 C 等語言中編寫相同的函數需要花一些編碼工作來避免整數溢出。在 Julia中，需要使用 BigInt 類型。

所有 Julia 基準測試都與運行時間有關。這是 Julia 中使用和不使用 BigInt 的計時：

0.000080 seconds (149 allocations:10.167 KB) 
 
0.012717 seconds (262.69 k allocations:4.342 MB)

在 Python Notebook 中獲得運行時間的一種方式是使用神奇的 %timeit。例如，在一個新單元中鍵入：

%timeit fib(20)

執行它會獲得輸出：

100 loops, best of 3:3.33 ms per loop

這意味著計時器執行了以下操作：

運行 fib(20) 100 次，存儲總運行時間
運行 fib(20) 100 次，存儲總運行時間
運行 fib(20) 100 次，存儲總運行時間
從 3 次運行中獲取最小的運行時間，將它除以 100，然后輸出結果，該結果就是 fib(20) 的***運行時間

這些循環的大小(100 次和 3 次)會由計時器自動調整。可能會根據被計時的代碼的運行速度來更改循環大小。

Python 計時與使用了 BigInt 時的 Julia 計時相比出色得多：3 毫秒與 12 毫秒。在使用任意精度時，Python 的速度是 Julia 的 4倍。

但是，Python 比 Julia 默認的 64 位整數要慢。我們看看如何在 Python 中強制使用 64 位整數。

使用 Cython 編譯

一種編譯方式是使用 Cython 編譯器。這個編譯器是使用 Python

編寫的。它可以通過以下命令安裝：

pip install Cython

如果使用 Anaconda，安裝會有所不同。因為安裝有點復雜，所以我編寫了一篇相關的博客文章：將 Cython For Anaconda 安裝在 Windows 上

安裝后，我們使用神奇的 %load_ext 將 Cython 加載到 Notebook 中：

%load_ext Cython

然后就可以在我們的 Notebook 中編譯代碼。我們只需要將想要編譯的代碼放在一個單元中，包括所需的導入語句，使用神奇的 %%cython 啟動該單元：

%%cython 
 
   
 
def fib_cython(n): 
 
    if n<2: 
 
        return n 
 
    return fib_cython(n-1)+fib_cython(n-2)

執行該單元會無縫地編譯這段代碼。我們為該函數使用一個稍微不同的名稱，以反映出它是使用 Cython編譯的。當然，一般不需要這么做。我們可以將之前的函數替換為相同名稱的已編譯函數。

對它計時會得到：

1000 loops, best of 3:1.22 ms per loop

哇，幾乎比最初的 Python 代碼快 3 倍!我們現在比使用 BigInt 的 Julia 快 100 倍。

我們還可以嘗試靜態類型。使用關鍵字 cpdef 而不是 def 來聲明該函數。它使我們能夠使用相應的 C 類型來鍵入函數的參數。我們的代碼變成了：

%%cython 
 
  
 
cpdef long fib_cython_type(long n): 
 
   if n<2: 
 
     return n 
 
   return fib_cython_type(n-1)+fib_cython_type(n-2)

執行該單元后，對它計時會得到：

10000 loops, best of 3:36 µs per loop

太棒了，我們現在只花費了 36 微秒，比最初的基準測試快約 100 倍!這與 Julia 所花的 80 毫秒相比更出色。

有人可能會說，靜態類型違背了 Python的用途。一般來講，我比較同意這種說法，我們稍后將查看一種在不犧牲性能的情況下避免這種情形的方法。但我并不認為這是一個問題。Fibonacci函數必須使用整數來調用。我們在靜態類型中失去的是 Python 所提供的任意精度。對于 Fibonacci，使用 C 類型 long

會限制輸入參數的大小，因為太大的參數會導致整數溢出。

請注意，Julia 計算也是使用 64 位整數執行的，因此將我們的靜態類型版本與 Julia 的對比是公平的。

緩存計算

我們在保留 Python 任意精度的情況下能做得更好。fib 函數重復執行同一種計算許多次。例如，fib(20) 將調用 fib(19) 和fib(18)。fib(19) 將調用 fib(18) 和 fib(17)。結果 fib(18) 被調用了兩次。簡單分析表明，fib(17) 將被調用 3 次，fib(16) 將被調用 5 次，等等。

在 Python 3 中，我們可以使用 functools 標準庫來避免這些重復的計算。

from functools import lru_cache as cache 
 
@cache(maxsize=None) 
 
def fib_cache(n): 
 
    if n<2: 
 
        return n 
 
    return fib_cache(n-1)+fib_cache(n-2)

對此函數計時會得到：

1000000 loops, best of 3:910 ns per loop

速度又增加了 40 倍，比最初的 Python 代碼快約 3,600 倍!考慮到我們僅向遞歸函數添加了一條注釋，此結果非常令人難忘。

Python 2.7 中沒有提供這種自動緩存。我們需要顯式地轉換代碼，才能避免這種情況下的重復計算。

def fib_seq(n): 
 
   if n < 2: 
 
     return n 
 
   a,b = 1,0 
 
   for i in range(n-1): 
 
     a,b = a+b,a 
 
   return a

請注意，此代碼使用了 Python 同時分配兩個局部變量的能力。對它計時會得到：

1000000 loops, best of 3:1.77 µs per loop

我們又快了 20 倍!讓我們在使用和不使用靜態類型的情況下編譯我們的函數。請注意，我們使用了 cdef 關鍵字來鍵入局部變量。

%%cython 
 
  
 
def fib_seq_cython(n): 
 
   if n < 2: 
 
        return n 
 
    a,b = 1,0 
 
    for i in range(n-1): 
 
        a,b = a+b,a 
 
    return a 
 
cpdef long fib_seq_cython_type(long n): 
 
    if n < 2: 
 
        return n 
 
    cdef long a,b 
 
    a,b = 1,0 
 
    for i in range(n-1): 
 
        a,b = a+b,b 
 
    return a

我們可在一個單元中對兩個版本計時：

%timeit fib_seq_cython(20) 
 
%timeit fib_seq_cython_type(20)

結果為：

1000000 loops, best of 3:953 ns per loop 
 
10000000 loops, best of 3:51.9 ns per loop

靜態類型代碼現在花費的時間為 51.9 納秒，比最初的基準測試快約 60,000(六萬)倍。

如果我們想計算任意輸入的 Fibonacci 數，我們應堅持使用無類型版本，該版本的運行速度快 3,500 倍。還不錯，對吧?

使用 Numba 編譯

讓我們使用另一個名為 Numba 的工具。它是針對部分 Python 版本的一個即時

(jit) 編譯器。它不是對所有 Python 版本都適用，但在適用的情況下，它會帶來奇跡。

安裝它可能很麻煩。推薦使用像 Anaconda 這樣的 Python 發行版或一個已安裝了 Numba 的 Docker 鏡像。完成安裝后，我們導入它的 jit 編譯器：

from numba import jit

它的使用非常簡單。我們僅需要向想要編譯的函數添加一點修飾。我們的代碼變成了：

@jit 
 
def fib_seq_numba(n): 
 
    if n < 2: 
 
        return n 
 
    (a,b) = (1,0) 
 
    for i in range(n-1): 
 
        (a,b) = (a+b,a) 
 
    return a

對它計時會得到：

1000000 loops, best of 3:225 ns per loop

比無類型的 Cython 代碼更快，比最初的 Python 代碼快約 16,000 倍!

使用 Numpy

我們現在來看看第二項基準測試。它是快速排序算法的實現。Julia 團隊使用了以下 Python 代碼：

def qsort_kernel(a, lo, hi): 
 
    i = lo 
 
    j = hi 
 
    while i < hi: 
 
        pivot = a[(lo+hi) // 2] 
 
        while i <= j: 
 
            while a[i] < pivot: 
 
                i += 1 
 
            while a[j] > pivot: 
 
                j -= 1 
 
            if i <= j: 
 
                a[i], a[j] = a[j], a[i] 
 
                i += 1 
 
                j -= 1 
 
        if lo < j: 
 
            qsort_kernel(a, lo, j) 
 
        lo = i 
 
        j = hi 
 
    return a

我將他們的基準測試代碼包裝在一個函數中：

import random 
 
def benchmark_qsort(): 
 
    lst = [ random.random() for i in range(1,5000) ] 
 
    qsort_kernel(lst, 0, len(lst)-1)

對它計時會得到：

100 loops, best of 3:18.3 ms per loop

上述代碼與 C 代碼非常相似。Cython 應該能很好地處理它。除了使用 Cython 和靜態類型之外，讓我們使用 Numpy

數組代替列表。在數組大小較大時，比如數千個或更多元素，Numpy 數組確實比Python 列表更快。

安裝 Numpy 可能會花一些時間，推薦使用 Anaconda 或一個已安裝了 Python 科學工具組合的 Docker 鏡像。

在使用 Cython 時，需要將 Numpy 導入到應用了 Cython 的單元中。在使用 C 類型時，還必須使用 cimport 將它作為 C 模塊導入。Numpy數組使用一種表示數組元素類型和數組維數(一維、二維等)的特殊語法來聲明。

%%cython 
 
  
 
import numpy as np 
 
cimport numpy as np 
 
cpdef np.ndarray[double, ndim=1] \ 
 
qsort_kernel_cython_numpy_type(np.ndarray[double, ndim=1] a, \ 
 
long lo, \ 
 
long hi): 
 
cdef: 
 
long i, j 
 
double pivot 
 
i = lo 
 
j = hi 
 
   while i < hi: 
 
     pivot = a[(lo+hi) // 2] 
 
     while i <= j: 
 
       while a[i] < pivot: 
 
         i += 1 
 
       while a[j] > pivot: 
 
         j -= 1 
 
       if i <= j: 
 
         a[i], a[j] = a[j], a[i] 
 
         i += 1 
 
         j -= 1 
 
     if lo < j: 
 
       qsort_kernel_cython_numpy_type(a, lo, j) 
 
     lo = i 
 
     j = hi 
 
   return a 
 
  
 
cpdef benchmark_qsort_numpy_cython(): 
 
  lst = np.random.rand(5000) 
 
  qsort_kernel_cython_numpy_type(lst, 0, len(lst)-1)

對 benchmark_qsort_numpy_cython() 函數計時會得到：

1000 loops, best of 3:1.32 ms per loop

我們比最初的基準測試快了約 15 倍，但這仍然不是使用 Python 的***方法。***方法是使用 Numpy 內置的 sort()函數。它的默認行為是使用快速排序算法。對此代碼計時：

def benchmark_sort_numpy(): 
 
lst = np.random.rand(5000) 
 
np.sort(lst)

會得到：

1000 loops, best of 3:350 µs per loop

我們現在比最初的基準測試快 52 倍!Julia 在該基準測試上花費了 419 微秒，因此編譯的 Python 快 20%。

我知道，一些讀者會說我不會進行同類比較。我不同意。請記住，我們現在的任務是使用主機語言以***的方式排序輸入數組。在這種情況下，***方法是使用一個內置的函數。

剖析代碼

我們現在來看看第三個示例，計算 Mandelbrodt 集。Julia 團隊使用了這段 Python 代碼：

def mandel(z): 
 
    maxiter = 80 
 
    c = z 
 
    for n in range(maxiter): 
 
        if abs(z) > 2: 
 
            return n 
 
        z = z*z + c 
 
     return maxiter 
 
 
def mandelperf(): 
 
    r1 = np.linspace(-2.0, 0.5, 26) 
 
    r2 = np.linspace(-1.0, 1.0, 21) 
 
    return [mandel(complex(r, i)) for r in r1 for i in r2] 
 
  
 
assert sum(mandelperf()) == 14791

***一行是一次合理性檢查。對 mandelperf() 函數計時會得到：

100 loops, best of 3:4.62 ms per loop

使用 Cython 會得到：

100 loops, best of 3:1.94 ms per loop

還不錯，但我們可以使用 Numba 做得更好。不幸的是，Numba 還不會編譯列表推導式 (list

comprehension)。因此，我們不能將它應用到第二個函數，但我們可以將它應用到***個函數。我們的代碼類似以下代碼。

@jit 
 
def mandel_numba(z): 
 
    maxiter = 80 
 
    c = z 
 
    for n in range(maxiter): 
 
        if abs(z) > 2: 
 
            return n 
 
        z = z*z + c 
 
     return maxiter 
 
def mandelperf_numba(): 
 
    r1 = np.linspace(-2.0, 0.5, 26) 
 
    r2 = np.linspace(-1.0, 1.0, 21) 
 
    return [mandel_numba(complex(r, i)) for r in r1 for i in r2]

對它計時會得到：

1000 loops, best of 3:503 µs per loop

還不錯，比 Cython 快 4 倍，比最初的 Python 代碼快 9 倍!

我們還能做得更好嗎?要知道是否能做得更好，一種方式是剖析代碼。內置的 %prun 剖析器在這里不夠精確，我們必須使用一個稱為 line_profiler 的更好的剖析器。它可以通過pip 進行安裝：

pip install line_profiler

安裝后，我們需要加載它：

%load_ext line_profiler

然后使用一個神奇的命令剖析該函數：

%lprun -s -f mandelperf_numba mandelperf_numba()

它在一個彈出窗口中輸出以下信息。

Timer unit:1e-06 s 
 
Total time:0.003666 s 
 
File: 
 
Function: mandelperf_numba at line 11 
 
Line # Hits Time Per Hit % Time Line Contents 
 
============================================================== 
 
11 def mandelperf_numba(): 
 
12 1 1994 1994.0 54.4 r1 = np.linspace(-2.0, 0.5, 26) 
 
13 1 267 267.0 7.3 r2 = np.linspace(-1.0, 1.0, 21) 
 
14 1 1405 1405.0 38.3 return [mandel_numba(complex(r, i)) for r in r1 for i in r2]

我們看到，大部分時間都花費在了 mandelperf_numba() 函數的***行和***一行上。***一行有點復雜，讓我們將它分為兩部分來再次剖析：

def mandelperf_numba(): 
 
    r1 = np.linspace(-2.0, 0.5, 26) 
 
    r2 = np.linspace(-1.0, 1.0, 21) 
 
    c3 = [complex(r, i) for r in r1 for i in r2] 
 
    return [mandel_numba(c) for c in c3]

剖析器輸出變成：

Timer unit:1e-06 s 
 
Total time:0.002002 s 
 
File: 
 
Function: mandelperf_numba at line 11 
 
Line # Hits Time Per Hit % Time Line Contents 
 
============================================================== 
 
11 def mandelperf_numba(): 
 
12 1 678 678.0 33.9 r1 = np.linspace(-2.0, 0.5, 26) 
 
13 1 235 235.0 11.7 r2 = np.linspace(-1.0, 1.0, 21) 
 
14 1 617 617.0 30.8 c3 = [complex(r, i) for r in r1 for i in r2] 
 
15 1 472 472.0 23.6 return [mandel_numba(c) for c in c3]

我們可以看到，對函數 mandel_numba() 的調用僅花費了總時間的 1/4。剩余時間花在 mandelperf_numba()

函數上。花時間優化它是值得的。

再次使用 Numpy

使用 Cython 在這里沒有太大幫助，而且 Numba 不適用。擺脫此困境的一種方法是再次使用 Numpy。我們將以下代碼替換為生成等效結果的 Numpy

代碼。

return [mandel_numba(complex(r, i)) for r in r1 for i in r2]

此代碼構建了所謂的二維網格。它計算由 r1 和 r2 提供坐標的點的復數表示。點 Pij 的坐標為 r1[i] 和 r2[j]。Pij 通過復數 r1[i] +

1j*r2[j] 進行表示，其中特殊常量 1j 表示單個虛數 i。

我們可以直接編寫此計算的代碼：

@jit 
 
def mandelperf_numba_mesh(): 
 
    width = 26 
 
    height = 21 
 
    r1 = np.linspace(-2.0, 0.5, width) 
 
    r2 = np.linspace(-1.0, 1.0, height) 
 
    mandel_set = np.zeros((width,height), dtype=int) 
 
    for i in range(width): 
 
        for j in range(height): 
 
            mandel_set[i,j] = mandel_numba(r1[i] + 1j*r2[j]) 
 
     return mandel_set

請注意，我將返回值更改為了一個二維整數數組。如果要顯示結果，該結果與我們需要的結果更接近。

對它計時會得到：

10000 loops, best of 3:140 µs per loop

我們比最初的 Python 代碼快約 33 倍!Julia 在該基準測試上花費了 196 微秒，因此編譯的 Python 快 40%。

向量化

讓我們來看另一個示例。老實地講，我不確定要度量什么，但這是 Julia 團隊使用的代碼。

def parse_int(t): 
 
    for i in range(1,t): 
 
        n = random.randint(0,2**32-1) 
 
        s = hex(n) 
 
        if s[-1]=='L': 
 
            s = s[0:-1] 
 
        m = int(s,16) 
 
        assert m == n 
 
    return n

實際上，Julia 團隊的代碼有一條額外的指令，用于在存在末尾的 ‘L’ 時刪除它。我的 Anaconda 安裝需要這一行，但我的 Python 3安裝不需要它，所以我刪除了它。最初的代碼是：

def parse_int(t): 
 
    for i in range(1,t): 
 
        n = random.randint(0,2**32-1) 
 
        s = hex(n) 
 
        if s[-1]=='L': 
 
            s = s[0:-1] 
 
        m = int(s,16) 
 
        assert m == n 
 
    return n

對修改后的代碼計時會得到：

100 loops, best of 3:3.33 ms per loop

Numba 似乎沒什么幫助。Cython 代碼運行速度快了約 5 倍：

1000 loops, best of 3:617 µs per loop

Cython 代碼運行速度快了約 5 倍，但這還不足以彌補與 Julia 的差距。

我對此基準測試感到迷惑不解，我剖析了最初的代碼。以下是結果：

Timer unit:1e-06 s 
 
Total time:0.013807 s 
 
File: 
 
Function: parse_int at line 1 
 
Line # Hits Time Per Hit % Time Line Contents 
 
============================================================== 
 
1 def parse_int(): 
 
2 1000 699 0.7 5.1 for i in range(1,1000): 
 
3 999 9149 9.2 66.3 n = random.randint(0,2**32-1) 
 
4 999 1024 1.0 7.4 s = hex(n) 
 
5 999 863 0.9 6.3 if s[-1]=='L': 
 
6 s = s[0:-1] 
 
7 999 1334 1.3 9.7 m = int(s,16) 
 
8 999 738 0.7 5.3 assert m == n

可以看到，大部分時間都花費在了生成隨機數上。我不確定這是不是該基準測試的意圖。

加速此測試的一種方式是使用 Numpy 將隨機數生成移到循環之外。我們一次性創建一個隨機數數組。

def parse_int_vec(): 
 
    n = np.random.randint(0,2**32-1,1000) 
 
        for i in range(1,1000): 
 
            ni = n[i] 
 
            s = hex(ni) 
 
        m = int(s,16) 
 
        assert m == ni

對它計時會得到：

1000 loops, best of 3:848 µs per loop

還不錯，快了 4 倍，接近于 Cython 代碼的速度。

擁有數組后，通過循環它來一次向某個元素應用 hex() 和 int() 函數似乎很傻。好消息是，Numpy 提供了一種向數組應用函數的方法，而不必使用循環，該函數是numpy.vectorize() 函數。此函數接受一次處理一個對象的函數。它返回一個處理數組的新函數。

vhex = np.vectorize(hex) 
 
vint = np.vectorize(int) 
 
def parse_int_numpy(): 
 
    n = np.random.randint(0,2**32-1,1000) 
 
    s = vhex(n) 
 
    m = vint(s,16) 
 
    np.all(m == n) 
 
    return s

此代碼運行速度更快了一點，幾乎像 Cython 代碼一樣快：

1000 loops, best of 3:703 µs per loop

我肯定 Python 專家能夠比我在這里做得更好，因為我不太熟悉 Python 解析，但這再一次表明避免 Python 循環是個不錯的想法。

結束語

上面介紹了如何加快 Julia 團隊所使用的 4 個示例的運行速度。還有 3 個例子：

pisum 使用 Numba 的運行速度快 29 倍。
randmatstat 使用 Numpy 可將速度提高 2 倍。
randmatmul 很簡單，沒有工具可應用到它之上。

包含所有 7 個示例的完整代碼的 Notebook 可在此處獲得。

我們在一個表格中總結一下我們的結果。我們給出了在最初的 Python 代碼與優化的代碼之間實現的加速。我們還給出了對 Julia 團隊使用的每個基準測試示例使用的工具。

這個表格表明，在前 4 個示例中，優化的 Python 代碼比 Julia 更快，后 3 個示例更慢。請注意，為了公平起見，對于 Fibonacci，我使用了遞歸代碼。

我認為這些小型的基準測試沒有提供哪種語言最快的明確答案。舉例而言， randmatstat 示例處理 5×5 矩陣。使用 Numpy 數組處理它有點小題大做。應該使用更大的矩陣執行基準測試。

我相信，應該在更復雜的代碼上對語言執行基準測試。Python 與 Julia 比較–一個來自機器學習的示例中提供了一個不錯的示例。在該文章中，Julia 似乎優于 Cython。如果我有時間，我會使用 Numba試一下。

無論如何，可以說，在這個小型基準測試上，使用正確的工具時，Python 的性能與 Julia 的性能不相上下。相反地，我們也可以說，Julia 的性能與編譯后的

Python 不相上下。考慮到 Julia 不需要對代碼進行任何注釋或修改，所以這本身就很有趣。

補充說明

我們暫停一會兒。我們已經看到在 Python 代碼性能至關重要時，應該使用許多工具：

使用 line_profiler 執行剖析。
編寫更好的 Python 代碼來避免不必要的計算。
使用向量化的操作和通過 Numpy 來廣播。
使用 Cython 或 Numba 編譯。

使用這些工具來了解它們在哪些地方很有用。與此同時，請謹慎使用這些工具。分析您的代碼，以便可以將精力放在值得優化的地方。重寫代碼來讓它變得更快，有時會讓它難以理解或通用性降低。因此，僅在得到的加速物有所值時這么做。Donald Knuth 曾經恰如其分地提出了這條建議：

“我們在 97% 的時間應該忘記較小的效率：不成熟的優化是萬惡之源。”

但是請注意，Knuth 的引語并不意味著優化是不值得的，例如，請查看停止錯誤地引用 Donald Knuth 的話!和‘不成熟的優化是惡魔’的謊言。

Python 代碼可以優化，而且應該在有意義的時間和位置進行優化。

責任編輯：龐桂玉來源： Python開發者