一直以來Python性能是遭人詬病的問題之一，抱怨執行慢，沒法用。雖然再性能上語言的差異確實存在著明顯差異，但是我認為一個非常流行的語言，運行的快慢不會成為阻擾人們使用的因素。如果是的話，可能是由于編寫的程序有問題，需要優化。本文蟲蟲就給大家介紹一下如何調試Python應用的性能，以及怎么對其進行優化。

[[312018]]

Python性能調試

要進行Python性能，前提條件是要找出程序中的性能瓶頸。找出程序中影響程序性能的代碼。有經驗的開發者一般都能很容易能找出程序的瓶頸，但對于普通碼農找出系統的問題代碼則很難，為了能快捷有效的發現程序的性能瓶頸就需要進行性能調試，此處我們以一個實際例子進行介紹，以下程序是計算e的x(1..n)次的冪，其代碼如下：

# performance.py 
 
from decimal import * 
 
def exp(x): 
 
getcontext().prec += 2 
 
i, lasts, s, fact, num = 0, 0, 1, 1, 1 
 
while s != lasts: 
 
lasts = s 
 
i += 1 
 
fact *= i 
 
num *= x 
 
s += num / fact 
 
getcontext().prec -= 2 
 
return +s 
 
print(exp(Decimal(150))) 
 
print(exp(Decimal(400))) 
 
print(exp(Decimal(3000))) 

最簡單的調試

最簡單且實用的調試性能調試的方法是使用Linux的time命令，time可以計算程序執行的時間：

time python3 performance.py 
 
1.393709580666379697318341937E+65 
 
5.221469689764143950588763007E+173 
 
7.646200989054704889310727660E+1302 
 
real 0m15.185s 
 
user 0m15.100s 
 
sys 0m0.004s 

計算前兩個數的(150，400)很快，而第三個大一點時會很慢，總共要15秒多才算完，是有點卡頓(慢)。

time雖然很便捷有用，但是不能給我們詳細的代碼性能細節。

詳細性能分析cProfile

性能分析另一個常用的方法是使用cProfile，它可以提供很多性能信息

python3 -m cProfile -s time performance.py 

例子中，我們使用了cProfile模塊和time參數運行測試腳本，以便按內部時間(cumtime)對行進行排序。如上圖所示，使用cProfile可以給很多內部的具體信息，通過我們可以知道主要耗時是由exp函數導致。知道了程序的性能瓶頸所在，我們就再說明Python性能分析和優化。

優化特定功能

知道了將性能的瓶頸所在(實例中是exp函數)，我們為了進一步具體問題具體分析，我們使用一個簡單裝飾器，以便跳過其他代碼，專門分析性能瓶頸所設計的函數。然后使用裝飾器進行測試，具體代碼如下：

def timeit_wrapper(func): 
 
@wraps(func) 
 
def wrapper(*args, **kwargs): 
 
start = time.perf_counter() # Alternatively, you can use time.process_time() 
 
func_return_val = func(*args, **kwargs) 
 
end = time.perf_counter() 
 
print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start)) 
 
return func_return_val 
 
return wrapper 

我們用這個裝飾器來測試exp：

@timeit_wrapper 
 
def exp(x): 
 
... 
 
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time')) 
 
exp(Decimal(150)) 
 
exp(Decimal(400)) 
 
exp(Decimal(3000)) 

結果：

module function time 
 
__main__ .exp : 0.00920036411844194 
 
__main__ .exp : 0.09822067408822477 
 
__main__ .exp : 15.228459489066154 

代碼中，我們用到了time包提供time.perf_counter函數，它還提供了另外一個函數time.process_time。兩者的區別在于perf_counter返回的絕對時間，包括Python程序進程未運行時的時間，它可能會受到計算機負載的影響。而process_time僅返回用戶時間(不包括系統時間)，這僅是程序過程時間。

性能優化

最后是Python程序的性能優化，為了讓Python程序運行得更快，我們提供一些可供參考的性能優化構想和策略的，通過這些策略我們一半可以提高應用的運行速度，最高情況下可以讓你的應用快30%。

使用內建數據類型

很明顯，內建數據類型非常快，尤其是與自定義類型相比，比如樹或者鏈表。因為內建程序是用C實現的，所以其性能優勢是Python代碼所無法比擬的。

使用lru_cache緩存/記憶

很多時候緩存非常有效，可以極大的提高性能，尤其在數值計算和涉及大量重復調用(遞歸)時。考慮一個例子：

上面的函數使用time.sleep(2)模擬一個耗時的代碼。第一次使用參數1調用時，它將等待2秒，然后返回結果。再次調用時，由于結果已被緩存，將跳過函數的執行，直返回。用3調用時候由于參數不一樣會耗時2秒，總體耗時應該為4s，我們用time 驗證:

real 0m4.061s 
 
user 0m0.040s 
 
sys 0m0.015s 

這和我們設想的一致。

使用局部變量

基于變量作用域中查找速度相關，在函數的局部變量具有很高的速度。其次是類級屬性(如self.name)和最慢的是全局變量，如time.time(最慢)。所以我們可以通過避免使用不必要的全局變量來提高性能。

使用函數

這似乎有點出乎意料，因為涉及函數的內存占用都在堆棧上，而函數返回也會有開銷。但是使用函數，可以避免使用全局變量，可以提高性能。因此，可以通過將整個代碼包裝在main函數中只調用一次來加速代碼。

避免使用屬性

另一個可以是影響程序性能的操作是點運算符訪問對象屬性。點運算符使用__getattribute__觸發會字典查找，會在代碼中產生額外的開銷。我們可以通過一些使用函數而不是類方法的方式避免點操作，比如下面例子

#慢代碼:

import re 
 
def slow_func(): 
 
for i in range(10000): 
 
re.findall(regex, line) 

#快代碼

from re import findall 
 
def fast_func(): 
 
for i in range(10000): 
 
findall(regex, line) 

使用f-string

在循環中使用格式符(%s)或.format()時，字符串操作可能會變得非常緩慢。為了進行性能優化，我們應該使用f-string。它是Python 3.6引入的很具可讀性，簡潔性和最快的方法。比如：

s + ' ' + t 
 
' '.join((s, t)) 
 
'%s %s' % (s, t) 
 
'{} {}'.format(s, t) 
 
Template('$s $t').substitute(s=s, t=t) # 慢代碼 
 
 
f'{s} {t}' # 快代碼 

總結

性能的調試和優化是非常重要的碼農技術之一。本文中，我們提供了Python應用性能調試和優化的技巧和策略，希望能對大家有所幫助。