您现在的位置：程式師世界 >> 編程語言 > >> 更多編程語言 >> Python

！這15個技巧直接讓你的Python性能起飛

編輯：Python

這是我參與2022首次更文挑戰的第8天，活動詳情查看：2022首次更文挑戰

前言

Python 一直以來被大家所诟病的一點就是執行速度慢，但不可否認的是 Python 依然是我們學習和工作中的一大利器。因此，我們對 Python 呢是“又愛又恨”。

本文總結了一些小 tips 有助於提升 Python 執行速度、優化性能。以下所有技巧都經過我的驗證，可放心食用。

先上結論：

使用map()進行函數映射
使用set()求交集
使用sort()或sorted()排序
使用collections.Counter()計數
使用列表推導
使用join()連接字符串
使用x, y = y, x交換變量
使用while 1取代while True
使用裝飾器緩存
減少點運算符(.)的使用
使用for循環取代while循環
使用Numba.jit加速計算
使用Numpy矢量化數組
使用in檢查列表成員
使用itertools庫迭代

如何測量程序的執行時間

關於 Python 如何精確地測量程序的執行時間，這個問題看起來簡單其實很復雜，因為程序的執行時間受到很多因素的影響，例如操作系統、Python 版本以及相關硬件（CPU 性能、內存讀寫速度）等。在同一台電腦上運行相同版本的語言時，上述因素就是確定的了，但是程序的睡眠時間依然是變化的，且電腦上正在運行的其他程序也會對實驗有干擾，因此嚴格來說這就是《實驗不可重復》。

我了解到的關於計時比較有代表性的兩個庫就是time和timeit。

其中，time庫中有time()、perf_counter()以及process_time()三個函數可用來計時（以秒為單位），加後綴_ns表示以納秒計時（自 Python3.7 始）。在此之前還有clock()函數，但是在 Python3.3 之後被移除了。上述三者的區別如下：

time()精度上相對沒有那麼高，而且受系統的影響，適合表示日期時間或者大程序的計時。
perf_counter()適合小一點的程序測試，會計算sleep()時間。
process_time()適合小一點的程序測試，不計算sleep()時間。

與time庫相比，timeit 有兩個優點：

timeit 會根據您的操作系統和 Python 版本選擇最佳計時器。
timeit 在計時期間會暫時禁用垃圾回收。

timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000, globals=None) 參數說明：

stmt='pass'：需要計時的語句或者函數。
setup='pass'：執行stmt之前要運行的代碼。通常，它用於導入一些模塊或聲明一些必要的變量。
timer=<default timer>：計時器函數，默認為time.perf_counter()。
number=1000000：執行計時語句的次數，默認為一百萬次。
globals=None：指定執行代碼的命名空間。

本文所有的計時均采用timeit方法，且采用默認的執行次數一百萬次。

為什麼要執行一百萬次呢？因為我們的測試程序很短，如果不執行這麼多次的話，根本看不出差距。

正文

1.使用`map()`進行函數映射

Exp1：將字符串數組中的小寫字母轉為大寫字母。

測試數組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

newlist = []
for word in oldlist:
newlist.append(word.upper())
復制代碼

方法二

list(map(str.upper, oldlist))
復制代碼

方法一耗時 0.5267724000000005s，方法二耗時 0.41462569999999843s，性能提升 21.29%

2.使用`set()`求交集

Exp2：求兩個list的交集。

測試數組：a = [1,2,3,4,5]，b = [2,4,6,8,10]。

方法一

overlaps = []
for x in a:
for y in b:
if x == y:
overlaps.append(x)
復制代碼

方法二

list(set(a) & set(b))
復制代碼

方法一耗時 0.9507264000000006s，方法二耗時 0.6148200999999993s，性能提升 35.33%

關於set()的語法：|、&、-分別表示求並集、交集、差集。

3.使用`sort()`或`sorted()`排序

我們可以通過多種方式對序列進行排序，但其實自己編寫排序算法的方法有些得不償失。因為內置的 sort()或 sorted() 方法已經足夠優秀了，且利用參數key可以實現不同的功能，非常靈活。二者的區別是sort()方法僅被定義在list中，而sorted()是全局方法對所有的可迭代序列都有效。

Exp3：分別使用快排和sort()方法對同一列表排序。

測試數組：lists = [2,1,4,3,0]。

方法一

def quick_sort(lists,i,j):
if i >= j:
return list
pivot = lists[i]
low = i
high = j
while i < j:
while i < j and lists[j] >= pivot:
j -= 1
lists[i]=lists[j]
while i < j and lists[i] <=pivot:
i += 1
lists[j]=lists[i]
lists[j] = pivot
quick_sort(lists,low,i-1)
quick_sort(lists,i+1,high)
return lists
復制代碼

方法二

lists.sort()
復制代碼

方法一耗時 2.4796975000000003s，方法二耗時 0.05551999999999424s，性能提升 97.76%

順帶一提，sorted()方法耗時 0.1339823999987857s。

可以看出，sort()作為list專屬的排序方法還是很強的，sorted()雖然比前者慢一點，但是勝在它“不挑食”，它對所有的可迭代序列都有效。

擴展：如何定義sort()或sorted()方法的key

通過lambda定義

#學生：（姓名，成績，年齡）
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key = lambda student: student[0]) #根據姓名排序
sorted(students, key = lambda student: student[0])
復制代碼

通過operator定義

import operator
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key=operator.itemgetter(0))
sorted(students, key = operator.itemgetter(1, 0)) #先對成績排序，再對姓名排序
復制代碼

operator的itemgetter()適用於普通數組排序，attrgetter()適用於對象數組排序

通過cmp_to_key()定義，最為靈活

import functools
def cmp(a,b):
if a[1] != b[1]:
return -1 if a[1] < b[1] else 1 #先按照成績升序排序
elif a[0] != b[0]:
return -1 if a[0] < b[0] else 1 #成績相同，按照姓名升序排序
else:
return -1 if a[2] > b[2] else 1 #成績姓名都相同，按照年齡降序排序
students = [('john', 'A', 15),('john', 'A', 14),('jane', 'B', 12),('dave', 'B', 10)]
sorted(students, key = functools.cmp_to_key(cmp))
復制代碼

4.使用`collections.Counter()`計數

Exp4：統計字符串中每個字符出現的次數。

測試數組：sentence='life is short, i choose python'。

方法一

counts = {}
for char in sentence:
counts[char] = counts.get(char, 0) + 1
復制代碼

方法二

from collections import Counter
Counter(sentence)
復制代碼

方法一耗時 2.8105250000000055s，方法二耗時 1.6317423000000062s，性能提升 41.94%

5.使用列表推導

列表推導（list comprehension）短小精悍。在小代碼片段中，可能沒有太大的區別。但是在大型開發中，它可以節省一些時間。

Exp5：對列表中的奇數求平方，偶數不變。

測試數組：oldlist = range(10)。

方法一

newlist = []
for x in oldlist:
if x % 2 == 1:
newlist.append(x**2)
復制代碼

方法二

[x**2 for x in oldlist if x%2 == 1]
復制代碼

方法一耗時 1.5342976000000021s，方法二耗時 1.4181957999999923s，性能提升 7.57%

6.使用 `join()` 連接字符串

大多數人都習慣使用+來連接字符串。但其實，這種方法非常低效。因為，+操作在每一步中都會創建一個新字符串並復制舊字符串。更好的方法是用 join() 來連接字符串。關於字符串的其他操作，也盡量使用內置函數，如isalpha()、isdigit()、startswith()、endswith()等。

Exp6：將字符串列表中的元素連接起來。

測試數組：oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

sentence = ""
for word in oldlist:
sentence += word
復制代碼

方法二

"".join(oldlist)
復制代碼

方法一耗時 0.27489080000000854s，方法二耗時 0.08166570000000206s，性能提升 70.29%

join還有一個非常舒服的點，就是它可以指定連接的分隔符，舉個例子

oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']
sentence = "//".join(oldlist)
print(sentence)
復制代碼

life//is//short//i//choose//python

7.使用`x, y = y, x`交換變量

Exp6：交換x，y的值。

測試數據：x, y = 100, 200。

方法一

temp = x
x = y
y = temp
復制代碼

方法二

x, y = y, x
復制代碼

方法一耗時 0.027853900000010867s，方法二耗時 0.02398730000000171s，性能提升 13.88%

8.使用`while 1`取代`while True`

在不知道確切的循環次數時，常規方法是使用while True進行無限循環，在代碼塊中判斷是否滿足循環終止條件。雖然這樣做沒有任何問題，但while 1的執行速度比while True更快。因為它是一種數值轉換，可以更快地生成輸出。

Exp8：分別用while 1和while True循環 100 次。

方法一

i = 0
while True:
i += 1
if i > 100:
break
復制代碼

方法二

i = 0
while 1:
i += 1
if i > 100:
break
復制代碼

方法一耗時 3.679268300000004s，方法二耗時 3.607847499999991s，性能提升1.94%

9.使用裝飾器緩存

將文件存儲在高速緩存中有助於快速恢復功能。Python 支持裝飾器緩存，該緩存在內存中維護特定類型的緩存，以實現最佳軟件驅動速度。我們使用lru_cache裝飾器來為斐波那契函數提供緩存功能，在使用fibonacci遞歸函數時，存在大量的重復計算，例如fibonacci(1)、fibonacci(2)就運行了很多次。而在使用了lru_cache後，所有的重復計算只會執行一次，從而大大提高程序的執行效率。

Exp9：求斐波那契數列。

測試數據：fibonacci(7)。

方法一

def fibonacci(n):
if n == 0:
return 0
elif n == 1:
return 1
return fibonacci(n - 1) + fibonacci(n-2)
復制代碼

方法二

import functools
@functools.lru_cache(maxsize=128)
def fibonacci(n):
if n == 0:
return 0
elif n == 1:
return 1
return fibonacci(n - 1) + fibonacci(n-2)
復制代碼

方法一耗時 3.955014900000009s，方法二耗時 0.05077979999998661s，性能提升 98.72%

注意事項：

緩存是按照參數作為鍵，也就說在參數不變時，被lru_cache裝飾的函數只會執行一次。
所有參數必須可哈希，例如list不能作為被lru_cache裝飾的函數的參數。

import functools
@functools.lru_cache(maxsize=100)
def demo(a, b):
print('我被執行了')
return a + b
if __name__ == '__main__':
demo(1, 2)
demo(1, 2)
復制代碼

我被執行了（執行了兩次demo(1, 2)，卻只輸出一次）

from functools import lru_cache
@lru_cache(maxsize=100)
def list_sum(nums: list):
return sum(nums)
if __name__ == '__main__':
list_sum([1, 2, 3, 4, 5])
復制代碼

TypeError: unhashable type: 'list'

functools.lru_cache(maxsize=128, typed=False)的兩個可選參數：

maxsize代表緩存的內存占用值，超過這個值之後，就的結果就會被釋放，然後將新的計算結果進行緩存，其值應當設為 2 的冪。
typed若為True，則會把不同的參數類型得到的結果分開保存。

10.減少點運算符(`.`)的使用

點運算符(.)用來訪問對象的屬性或方法，這會引起程序使用__getattribute__()和__getattr__()進行字典查找，從而帶來不必要的開銷。尤其注意，在循環當中，更要減少點運算符的使用，應該將它移到循環外處理。

這啟發我們應該盡量使用from ... import ...這種方式來導包，而不是在需要使用某方法時通過點運算符來獲取。其實不光是點運算符，其他很多不必要的運算我們都盡量移到循環外處理。

Exp10：將字符串數組中的小寫字母轉為大寫字母。

測試數組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

newlist = []
for word in oldlist:
newlist.append(str.upper(word))
復制代碼

方法二

newlist = []
upper = str.upper
for word in oldlist:
newlist.append(upper(word))
復制代碼

方法一耗時 0.7235491999999795s，方法二耗時 0.5475435999999831s，性能提升 24.33%

11.使用`for`循環取代`while`循環

當我們知道具體要循環多少次時，使用for循環比使用while循環更好。

Exp12：使用for和while分別循環 100 次。

方法一

i = 0
while i < 100:
i += 1
復制代碼

方法二

for _ in range(100):
pass
復制代碼

方法一耗時 3.894683299999997s，方法二耗時 1.0198077999999953s，性能提升73.82%

12.使用`Numba.jit`加速計算

Numba 可以將 Python 函數編譯碼為機器碼執行，大大提高代碼執行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循環中或存在大量計算時能顯著地提高執行效率。

Exp12：求從 1 加到 100 的和。

方法一

def my_sum(n):
x = 0
for i in range(1, n+1):
x += i
return x
復制代碼

方法二

from numba import jit
@jit(nopython=True)
def numba_sum(n):
x = 0
for i in range(1, n+1):
x += i
return x
復制代碼

方法一耗時 3.7199997000000167s，方法二耗時 0.23769430000001535s，性能提升 93.61%

13.使用`Numpy`矢量化數組

矢量化是 NumPy 中的一種強大功能，可以將操作表達為在整個數組上而不是在各個元素上發生。這種用數組表達式替換顯式循環的做法通常稱為矢量化。

在 Python 中循環數組或任何數據結構時，會涉及很多開銷。NumPy 中的向量化操作將內部循環委托給高度優化的 C 和 Fortran 函數，從而使 Python 代碼更加快速。

Exp13：兩個長度相同的序列逐元素相乘。

測試數組：a = [1,2,3,4,5], b = [2,4,6,8,10]

方法一

[a[i]*b[i] for i in range(len(a))]
復制代碼

方法二

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array([2,4,6,8,10])
a*b
復制代碼

方法一耗時 0.6706845000000214s，方法二耗時 0.3070132000000001s，性能提升 54.22%

14.使用`in`檢查列表成員

若要檢查列表中是否包含某成員，通常使用in關鍵字更快。

Exp14：檢查列表中是否包含某成員。

測試數組：lists = ['life', 'is', 'short', 'i', 'choose', 'python']

方法一

def check_member(target, lists):
for member in lists:
if member == target:
return True
return False
復制代碼

方法二

if target in lists:
pass
復制代碼

方法一耗時 0.16038449999999216s，方法二耗時 0.04139250000000061s，性能提升 74.19%

15.使用`itertools`庫迭代

itertools是用來操作迭代器的一個模塊，其函數主要可以分為三類：無限迭代器、有限迭代器、組合迭代器。

Exp15：返回列表的全排列。

測試數組：["Alice", "Bob", "Carol"]

方法一

def permutations(lst):
if len(lst) == 1 or len(lst) == 0:
return [lst]
result = []
for i in lst:
temp_lst = lst[:]
temp_lst.remove(i)
temp = permutations(temp_lst)
for j in temp:
j.insert(0, i)
result.append(j)
return result
復制代碼

方法二

import itertools
itertools.permutations(["Alice", "Bob", "Carol"])
復制代碼

方法一耗時 3.867292899999484s，方法二耗時 0.3875405000007959s，性能提升 89.98%

擴展：itertools庫詳解：點擊此鏈接

結語

根據上面的測試數據，我繪制了下面這張實驗結果圖，可以更加直觀的看出不同方法帶來的性能差異。

從圖中可以看出，大部分的技巧所帶來的性能增幅還是比較可觀的，但也有少部分技巧的增幅較小（例如編號5、7、8，其中，第 8 條的兩種方法幾乎沒有差異）。

總結下來，我覺得其實就是下面這兩條原則：

1.盡量使用內置庫函數

內置庫函數由專業的開發人員編寫並經過了多次測試，很多庫函數的底層是用C語言開發的。因此，這些函數總體來說是非常高效的（比如sort()、join()等），自己編寫的方法很難超越它們，還不如省省功夫，不要重復造輪子了，何況你造的輪子可能更差。所以，如果函數庫中已經存在該函數，就直接拿來用。

2.盡量使用優秀的第三方庫

有很多優秀的第三方庫，它們的底層可能是用 C 和 Fortran 來實現的，像這樣的庫用起來絕對不會吃虧，比如前文提到的 Numpy 和 Numba，它們帶來的提升都是非常驚人的。類似這樣的庫還有很多，比如Cython、PyPy等，這裡我只是拋磚引玉。

其實加快 Python 代碼執行速度的方法還有很多，比如避免使用全局變量、使用最新版本、使用合適的數據結構、利用if條件的惰性等等，我這裡就不一一例舉了。這些方法都需要我們親身去實踐才會有深刻的感受和理解，但最根本的方法就是保持我們對編程的熱情和對最佳實踐的追求，這才是我們能不斷突破自我、勇攀高峰的不竭動力源泉！