< 返回技术文档列表

有哪些Python加速技能

发布时间:2021-11-07 00:31:32⊙投诉举报

这篇文章主要讲解了“有哪些Python加速技能”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“有哪些Python加速技能”吧!

1. 避免使用全局变量

import mathsize = 10000 for x in range(size):     for y in range(size):         z = math.sqrt(x) + math.sqrt(y)

许多程序员一开始都会用Python语言编写一些简单的脚本。编写脚本时,通常直接使用全局变量,就像上面这段代码。

但由于全局变量和局部变量的实现方式不同,全局变量中定义的代码要比在函数中定义的函数运行起来慢得多。把脚本语句放入函数中,通常运行速度可提高15%-30%。如下所示:

import mathdef main():     size = 10000     for x in range(size):         for y in range(size):             z = math.sqrt(x) +math.sqrt(y)main()

2. 避免数据重复

避免无意义的数据复制

def main():     size = 10000     for _ in range(size):         value = range(size)         value_list = [x for x in value]         square_list = [x * x for x invalue_list]main()

这段代码中,value_list完全没有必要,这会创建不必要的数据结构或复制。

def main():     size = 10000     for _ in range(size):         value = range(size)         square_list = [x * x for x invalue]main()

另一个原因在于Python的数据共享机制过于偏执,没有很好理解或信任内存模型,例如滥用copy.deepcopy()函数。我们可以删除此类代码中的复制操作。

交换值时无需使用中间变量

def main():     size = 1000000     for _ in range(size):         a = 3         b = 5         temp = a         a = b         b = tempmain()

上述代码在交换值时创建了一个临时变量temp。如果没有中间变量,代码会更加简洁,运行速度也更快。

def main():     size = 1000000     for _ in range(size):         a = 3         b = 5         a, bb = b, amain()

使用字符串联方法join ,而不是'+'

import string from typing import Listdef concatString(string_list: List[str]) -> str:     result = ''     for str_i in string_list:         result += str_i     return resultdef main():     string_list =list(string.ascii_letters * 100)     for _ in range(10000):         result =concatString(string_list)main()

另一要点是a+b对字符串进行拼接,由于在Python中字符串是不可变的对象,所以实际上a和b分别复制到了应用程序的新内存空间中。

因此,如果拼接n个字符串会产生“ n-1”个中间结果,则每个字符串都会产生应用和复制内存所需的中间结果,从而严重影响操作效率。

在使用join()串联字符串时,首先计算需要应用的总内存空间,然后立即申请所需的内存,再把每个字符串元素复制到内存中。

import string from typing import Listdef concatString(string_list: List[str]) -> str:     return ''.join(string_list)defmain():     string_list = list(string.ascii_letters* 100)     for _ in range(10000):         result =concatString(string_list)main()

3. 避免使用以下函数属性

避免访问模块和函数属性

import mathdef computeSqrt(size:int):     result = []     for i in range(size):         result.append(math.sqrt(i))     return resultdef main():     size = 10000     for _ in range(size):         result = computeSqrt(size)main()

use(属性访问运算符)会触发特定方法,例如getattribute()和getattr(),这些方法将执行字典操作,会产生额外的时间消耗。

通过使用import语句,可以消除属性访问:

from math import sqrtdefcomputeSqrt(size: int):     result = []     for i in range(size):         result.append(sqrt(i))     return resultdef main():     size = 10000     for _ in range(size):         result = computeSqrt(size)main()

前文中我们讨论了局部变量可以比全局变量实现更快查找,对于经常访问的变量(如sqrt),可以通过更改为局部变量以加快操作速度。

import mathdef computeSqrt(size:int):     result = []     sqrt = math.sqrt     for i in range(size):         result.append(sqrt(i))     return resultdef main():     size = 10000     for _ in range(size):         result = computeSqrt(size)main()

避免类属性访问

import math from typing import Listclass 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 resultdef main():     size = 10000     for _ in range(size):         demo_instance = DemoClass(size)         result =demo_instance.computeSqrt(size)main()

避免的原理也适用于类的属性,并且访问self._value的速度要比访问局部变量的速度要慢。通过把需要频繁访问的类属性分配给局部变量,可以提高代码执行速度。

import math from typing import Listclass 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))         return resultdef main():     size = 10000     for _ in range(size):         demo_instance = DemoClass(size)        demo_instance.computeSqrt(size)main()

4. 避免不必要的抽象

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 = xdef main():     size = 1000000     for i in range(size):         demo_instance = DemoClass(size)         value = demo_instance.value         demo_instance.value = imain()

每当使用其他处理层(例如装饰器、属性访问、描述符)封装代码时,代码运行的速度也会变慢。在大多数情况下,重新检查是否有必要使用属性访问器定义是很有必要的。

使用getter/setter函数访问属性通常是被C/C++程序员遗忘的一种编码样式。如果确实没有必要,就使用简单属性就好。

class DemoClass:     def __init__(self, value: int):         self.value = valuedef main():     size = 1000000     for i in range(size):         demo_instance = DemoClass(size)         value = demo_instance.value         demo_instance.value = imain()

5. 选择合适的数据结构

众所周知,列表是Python中的动态数组。当预分配的内存空间用完时,会预分配一定的内存空间,然后继续向其中添加元素。然后复制之前的所有原始元素,形成一个新的内存空间,在插入新元素之前销毁先前的内存空间。

因此,如果频繁添加或删除,或者添加或删除的元素数量太大,列表的效率就会变低,目前最好使用collections.deque。

此双端队列具有堆栈和队列的特性,并且可以在两端以O(1)复杂度执行插入和删除操作。

列表搜索操作非常耗时。当需要频繁查找某些元素或按顺序频繁访问这些元素时,保持列表 对象有序的情况下使用二分法,使用二进制搜索以提高搜索效率,但二进制搜索仅适用于有序元素。

另一个常见的要求是找到最小值或最大值。此时,可以使用heapq模块列出转换为堆的列表,因此获取最小值的时间复杂度为O(1)。

6. 循环优化

使用 for 循环代替while 循环

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()

要知道,Python中的for循环要比while循环快得多。

def computeSum(size: int) ->int:     sum_ = 0     for i in range(size):         sum_ += i     return sum_def main():     size = 10000     for _ in range(size):         sum_ = computeSum(size)main()

使用隐式for循环,而不是显式for循环

对于上面的示例,可以进一步使用隐式for循环替换显式for循环

def computeSum(size: int) ->int:     return sum(range(size))def main():     size = 10000     for _ in range(size):         sum = computeSum(size)main()

减少内部循环的计算

from math import sqrtdef main():     size = 10000    for x in range(size):         for y in range(size):             z = sqrt(x) + sqrt(y)main()

在上述for循环中的代码sqrt(x)中,在训练期间每次都需要进行重新计算,这会增加时间消耗。

import mathdef main():     size = 10000for x in range(size):         sqrtsqrt_x = sqrt(x)         for y in range(size):             z = sqrt_x + sqrt(y)main()

7. 使用 numba.jit

继续遵循上述示例,并在此基础上使用numba.jit。Python函数JIT可以编译为机器代码用以执行,这能大大提高了代码执行速度。

import numba@numba.jit def computeSum(size: float) -> int:     sum = 0     for i in range(size):         sum += i     return sumdef main():     size = 10000     for _ in range(size):         sum = computeSum(size)main()

8. 代码优化原则

第一个基本原则就是不要过早优化代码。

许多人一开始编写代码时就致力于性能优化,“加快正确程序的速度要比确保快速程序的正确运作容易得多。”优化代码的前提是确保代码可以正常工作。过早的优化可能会忽略对总体性能指标的掌握,并且在获得总体结果之前不要颠倒顺序。

第二个基本原则是权衡优化代码的成本。

优化代码是有代价的,想要解决所有性能问题几乎不可能。通常面临的选择是时间换空间或空间换时间,还需要考虑开发成本。

第三个原则是不要优化无关紧要的部分。

如果优化代码的每个部分后,这些变更会让代码变得难以阅读和理解。如果代码运行缓慢,首先必须找到代码运行缓慢的位置(通常是内部循环),重点优化代码运行缓慢的地方。对于其他位置,时间的损失影响很小。

感谢各位的阅读,以上就是“有哪些Python加速技能”的内容了,经过本文的学习后,相信大家对有哪些Python加速技能这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是血鸟云,小编将为大家推送更多相关知识点的文章,欢迎关注!


/template/Home/Zkeys/PC/Static