Python 優化提速的 8 個小技巧
Python 是一種腳本語言，相比 C/C++ 這樣的編譯語言，在效率和性能方面存在一些不足。但是，有很多時候，Python 的效率并沒有想象中的那么夸張。本文對一些 Python 代碼加速運行的技巧進行整理。
0. 代碼優化原則
本文會介紹不少的 Python 代碼加速運行的技巧。在深入代碼優化細節之前，需要了解一些代碼優化基本原則。
第一個基本原則是不要過早優化。很多人一開始寫代碼就奔著性能優化的目標，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優化的前提是代碼能正常工作。過早地進行優化可能會忽視對總體性能指標的把握，在得到全局結果前不要主次顛倒。
第二個基本原則是權衡優化的代價。優化是有代價的，想解決所有性能的問題是幾乎不可能的。通常面臨的選擇是時間換空間或空間換時間。另外，開發代價也需要考慮。
第三個原則是不要優化那些無關緊要的部分。如果對代碼的每一部分都去優化，這些修改會使代碼難以閱讀和理解。如果你的代碼運行速度很慢，首先要找到代碼運行慢的位置，通常是內部循環，專注于運行慢的地方進行優化。在其他地方，一點時間上的損失沒有什么影響。
1. 避免全局變量
- # 不推薦寫法。代碼耗時：26.8秒
- import math
- size = 10000
- for x in range(size):
- for y in range(size):
- z = math.sqrt(x) + math.sqrt(y)
許多程序員剛開始會用 Python 語言寫一些簡單的腳本，當編寫腳本時，通常習慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實現方式不同，定義在全局范圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通常可帶來 15% - 30% 的速度提升。
- # 推薦寫法。代碼耗時：20.6秒
- import math
- def main(): # 定義到函數中，以減少全部變量使用
- 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 避免模塊和函數屬性訪問
- # 不推薦寫法。代碼耗時：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.（屬性訪問操作符時）會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。通過from import語句，可以消除屬性訪問。
- # 第一次優化寫法。代碼耗時：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 節中我們講到，局部變量的查找會比全局變量更快，因此對于頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運行。
- # 第二次優化寫法。代碼耗時：9.9秒
- import math
- def computeSqrt(size: int):
- result = []
- sqrt = math.sqrt # 賦值給局部變量
- 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函數中還有.的存在，那就是調用list的append方法。通過將該方法賦值給一個局部變量，可以徹底消除computeSqrt函數中for循環內部的.使用。
- # 推薦寫法。代碼耗時：7.9秒
- import math
- def computeSqrt(size: int):
- result = []
- append = result.append
- sqrt = math.sqrt # 賦值給局部變量
- 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 避免類內屬性訪問
- # 不推薦寫法。代碼耗時：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.的原則也適用于類內屬性，訪問self._value的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。
- # 推薦寫法。代碼耗時：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
- # 不推薦寫法，代碼耗時：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()
任何時候當你使用額外的處理層（比如裝飾器、屬性訪問、描述器）去包裝代碼時，都會讓代碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用getter/setter函數對屬性進行訪問通常是 C/C++ 程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。
- # 推薦寫法，代碼耗時：0.33秒
- class DemoClass:
- def __init__(self, value: int):
- self.value = value # 避免不必要的屬性訪問器
- def main():
- size = 1000000
- for i in range(size):
- demo_instance = DemoClass(size)
- value = demo_instance.value
- demo_instance.value = i
- main()
4. 避免數據復制
4.1 避免無意義的數據復制
- # 不推薦寫法，代碼耗時：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。
- # 推薦寫法，代碼耗時：4.8秒
- def main():
- size = 10000
- for _ in range(size):
- value = range(size)
- square_list = [x * x for x in value] # 避免無意義的復制
- main()
另外一種情況是對 Python 的數據共享機制過于偏執，并沒有很好地理解或信任 Python 的內存模型，濫用 copy.deepcopy()之類的函數。通常在這些代碼中是可以去掉復制操作的。
4.2 交換值時不使用中間變量
- # 不推薦寫法，代碼耗時：0.07秒
- def main():
- size = 1000000
- for _ in range(size):
- a = 3
- b = 5
- temp = a
- a = b
- b = temp
- main()
上面的代碼在交換值時創建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運行速度更快。
- # 推薦寫法，代碼耗時：0.06秒
- def main():
- size = 1000000
- for _ in range(size):
- a = 3
- b = 5
- a, bb = b, a # 不借助中間變量
- main()
4.3 字符串拼接用join而不是+
- # 不推薦寫法，代碼耗時：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()
當使用a + b拼接字符串時，由于 Python 中字符串是不可變對象，其會申請一塊內存空間，將a和b分別復制到該新申請的內存空間中。因此，如果要拼接 n 個字符串，會產生 n-1 個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。而使用join()拼接字符串時，會首先計算出需要申請的總的內存空間，然后一次性地申請所需內存，并將每個字符串元素復制到該內存中去。
- # 推薦寫法，代碼耗時：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條件的短路特性
- # 不推薦寫法，代碼耗時：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 條件的短路特性是指對if a and b這樣的語句， 當a為False時將直接返回，不再計算b；對于if a or b這樣的語句，當a為True時將直接返回，不再計算b。因此， 為了節約運行時間，對于or語句，應該將值為True可能性比較高的變量寫在or前，而and應該推后。
- # 推薦寫法，代碼耗時：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 條件的短路特性
- 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. 循環優化
6.1 用for循環代替while循環
- # 不推薦寫法。代碼耗時：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循環比while循環快不少。
- # 推薦寫法。代碼耗時：4.3秒
- def computeSum(size: int) -> int:
- sum_ = 0
- for i in range(size): # for 循環代替 while 循環
- sum_ += i
- return sum_
- def main():
- size = 10000
- for _ in range(size):
- sum_ = computeSum(size)
- main()
6.2 使用隱式for循環代替顯式for循環
針對上面的例子，更進一步可以用隱式for循環來替代顯式for循環
- # 推薦寫法。代碼耗時：1.7秒
- def computeSum(size: int) -> int:
- return sum(range(size)) # 隱式 for 循環代替顯式 for 循環
- def main():
- size = 10000
- for _ in range(size):
- sum = computeSum(size)
- main()
6.3 減少內層for循環的計算
- # 不推薦寫法。代碼耗時：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()
上面的代碼中sqrt(x)位于內側for循環， 每次訓練過程中都會重新計算一次，增加了時間開銷。
- # 推薦寫法。代碼耗時：7.0秒
- import math
- def main():
- size = 10000
- sqrt = math.sqrt
- for x in range(size):
- sqrtsqrt_x = sqrt(x) # 減少內層 for 循環的計算
- for y in range(size):
- z = sqrt_x + sqrt(y)
- main()
7. 使用numba.jit
我們沿用上面介紹過的例子，在此基礎上使用numba.jit。numba可以將 Python 函數 JIT 編譯為機器碼執行，大大提高代碼運行速度。關于numba的更多信息見下面的主頁：http://numba.pydata.org/numba.pydata.org
- # 推薦寫法。代碼耗時：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. 選擇合適的數據結構
Python 內置的數據結構如str, tuple, list, set, dict底層都是 C 實現的，速度非常快，自己實現新的數據結構想在性能上達到內置的速度幾乎是不可能的。
list類似于 C++ 中的std::vector，是一種動態數組。其會預分配一定內存空間，當預分配的內存空間用完，又繼續向其中添加元素時，會申請一塊更大的內存空間，然后將原有的所有元素都復制過去，之后銷毀之前的內存空間，再插入新元素。
刪除元素時操作類似，當已使用內存空間比預分配內存空間的一半還少時，會另外申請一塊小內存，做一次元素復制，之后銷毀原有大內存空間。
因此，如果有頻繁的新增、刪除操作，新增、刪除的元素數量又很多時，list的效率不高。此時，應該考慮使用collections.deque。collections.deque是雙端隊列，同時具備棧和隊列的特性，能夠在兩端進行 O(1) 復雜度的插入和刪除操作。
list的查找操作也非常耗時。當需要在list頻繁查找某些元素，或頻繁有序訪問這些元素時，可以使用bisect維護list對象有序并在其中進行二分查找，提升查找的效率。
另外一個常見需求是查找極小值或極大值，此時可以使用heapq模塊將list轉化為一個堆，使得獲取最小值的時間復雜度是 O(1)。
下面的網頁給出了常用的 Python 數據結構的各項操作的時間復雜度：https://wiki.python.org/moin/TimeComplexity
