运维开发网
广告位招商联系QQ:123077622
 
广告位招商联系QQ:123077622

如何让Python代码加速运行?

运维开发网 https://www.qedev.com 2020-09-03 08:46 出处:51CTO 作者:小几斤
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

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。

如何让Python代码加速运行?

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

# 不推荐写法。代码耗时:26.8秒  
import math  
size = 10000  
for x in range(size):  
    for y in range(size):  
        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。

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

2. 避免.(属性访问操作符)

2.1 避免模块和函数属性访问

# 不推荐写法。代码耗时: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.(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。

# 第一次优化写法。代码耗时: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 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。

# 第二次优化写法。代码耗时:9.9秒  
import math  
def computeSqrt(size: int):  
    result = []  
    sqrt = math.sqrt  # 赋值给局部变量  
    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。

# 推荐写法。代码耗时:7.9秒  
import math  
def computeSqrt(size: int):  
    result = []  
    append = result.append  
    sqrt = math.sqrt    # 赋值给局部变量  
    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 避免类内属性访问

# 不推荐写法。代码耗时: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。

# 推荐写法。代码耗时: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

# 不推荐写法,代码耗时:0.55秒  
class DemoClass:  
    def __init__(self, value: int):  
        self.value = value  
[email protected]
    def value(self) -> int:  
        return self._value  
[email protected]
    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。

# 推荐写法,代码耗时:0.33秒  
class DemoClass:  
    def __init__(self, value: int):  
        self.value = value  # 避免不必要的属性访问器  
def main():  
    size = 1000000 
    for i in range(size):  
        demo_instance = DemoClass(size)  
        value = demo_instance.value  
        demo_instance.value = i  
main()

4. 避免数据复制

4.1 避免无意义的数据复制

# 不推荐写法,代码耗时: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。

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

# 不推荐写法,代码耗时: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。

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

4.3 字符串拼接用join而不是+

# 不推荐写法,代码耗时: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()

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  个字符串,会产生  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。

# 推荐写法,代码耗时: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条件的短路特性

# 不推荐写法,代码耗时: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 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。

# 推荐写法,代码耗时: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 条件的短路特性  
            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. 循环优化

6.1 用for循环代替while循环

# 不推荐写法。代码耗时: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循环比while循环快不少。

# 推荐写法。代码耗时:4.3秒  
def computeSum(size: int) -> int:  
    sum_ = 0  
    for i in range(size):  # for 循环代替 while 循环  
        sum_ += i 
     return sum_  
def main():  
    size = 10000  
    for _ in range(size):  
        sum_ = computeSum(size)  
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

# 推荐写法。代码耗时:1.7秒  
def computeSum(size: int) -> int:  
    return sum(range(size))  # 隐式 for 循环代替显式 for 循环  
def main():  
    size = 10000  
    for _ in range(size):  
        sum = computeSum(size) 
main()

6.3 减少内层for循环的计算

# 不推荐写法。代码耗时: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。

# 推荐写法。代码耗时:7.0秒  
import math  
def main():  
    size = 10000  
    sqrt = math.sqrt  
    for x in range(size):  
        sqrtsqrt_x = sqrt(x)  # 减少内层 for 循环的计算  
        for y in range(size):  
            z = sqrt_x + sqrt(y) 
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

# 推荐写法。代码耗时: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. 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  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  。

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:

TimeComplexity - Python Wikiwiki.python.org

【责任编辑:庞桂玉 TEL:(010)68476606】

扫码领视频副本.gif

0

精彩评论

暂无评论...
验证码 换一张
取 消