有效提升Python代码性能的三个层面

使用python进入一个熟练的状态之后就会思考提升代码的性能，尤其是python的执行效率还有很大提升空间(委婉的说法)。面对提升效率这个话题，python自身提供了很多高性能模块，很多大牛开发出了高效第三方包，可谓是百花齐放。下面根据我个人使用总结出提升性能的几个层面和相关方法。

python代码优化：

1. 语法层面
2. 高效模块
3. 解释器层面

语法层面

1. 变量定义
2. 数据类型
3. 条件判断
4. 循环
5. 生成器

变量定义

1. 多使用局部变量少使用全局变量，命名空间中局部变量优先搜索

条件判断

1. 可以使用字典的key value特性，直接用key命中条件，避免if判断
2. 用in操作替换if else判断
3. 使用any 或 all 将多个判断一起处理，减少if else的分支
4. if条件的短路特性。if a or b这种判断中，如果a是True就不会判断b，所以将True条件写在前面可以节省判断时间。同理 and 判断将假写在前面，后面一个条件不判断

数据类型

1. 使用dict 或set查找，替换list或tuple
2. 集合的交并补差操作效率非常高。for循环和集合都可以处理的选择集合解决，集合的效率远高于循环

循环

1. 用for循环代替while循环，for循环比while循环快
2. 使用隐式for循环代替显式for循环。如sum，map，filter，reduce等都是隐式for循环。隐式循环快于显式循环
3. 尽量不要打断循环。打断循环的放在外面。有判断条件的语句和与循环不相关的操作语句尽量放在for外面
4. 应当将最长的循环放在最内层，最短的循环放在最外层，以减少CPU跨切循环层的次数
5. 使用生成式替换循环创建

合理使用迭代器和生成器

需要迭代出大量数据的场景，不需要将所有数据创建出来，合理使用生成器减少内存消耗

items_gen = (i for i in range(5000))
>>> items_gen.__sizeof__()
96

items_list = [i for i in ragne(5000)]
>>> items_list.__sizeof__()
43016

高效模块

1. collections 数据增强模块
2. itertools 高效迭代模块
3. array 高效数组
4. functool 用于处理函数的高阶函数包

collections

1. Counter: 高效的统计库
2. defaultdict：带默认值的字典
3. ChainMap：高效组合字典的库
4. deque: 双端队列，高效插入删除

详细使用参见另一篇专门讲collections的文章 Python原生数据结构增强模块collections

itertools

1. chain：多个可迭代对象构建成一个新的可迭代对象
2. groupby：按照指定的条件分类，输出条件和符合条件的元素
3. from_iteratorable：一个迭代对象中将所有元素类似于chain一样，统一返回
4. islice：对迭代器进行切片，能指定start和stop以及步长

详细使用参见另一篇专门讲itertools的文章Python高性能工具迭代标准库itertools

array

array 模块是python中实现的一种高效的数组存储类型。

它和list相似，但是所有的数组成员必须是同一种类型，在创建数组的时候，就确定了数组的类型。

functool

functools.lru_cache 对函数做缓存

lru_cache 是一个装饰器，为函数提供缓存功能。被装饰的函数以相同参数调用时直接返回上一次的结果。

不做缓存

import time

def fibonacci(n):
    """斐波那契函数"""
    if n < 2:
        return n
    return fibonacci(n - 2) + fibonacci(n - 1)

start = time.time()
res = fibonacci(40)
end = time.time()
print(res)
print(end - start)

102334155
32.14816737174988

做缓存

import time
from functools import lru_cache      

@lru_cache
def fibonacci(n):
    """斐波那契函数"""
    if n < 2:
        return n
    return fibonacci(n - 2) + fibonacci(n - 1)

start = time.time()
res = fibonacci(40)
end = time.time()
print(res)
print(end - start)

102334155
0.00020623207092285156

使用注意：

1. 缓存是按照参数作为键。调用函数时任意一个参数发生变化都不会返回之前缓存结果
2. 所有参数必须可哈希hash。也就是说参数只能是不可变对象

解释器层面：

减少python执行过程

python 代码的执行过程为：

1. 编译器将源码编译成中间状态的字节码
2. 解释器执行字节码，将字节码转成机器码在cpu上运行

python慢的原因主要是因为解释器。解决办法有两个：

一是解决办法是使用C/C++语言重写Python函数，但是这要求程序员对C/C++语言熟悉，且调试速度慢，不适合绝大多数Python程序员。

另外一种非常方便快捷的解决办法就是使用Just-In-Time（JIT）技术。

Just-In-Time（JIT）技术为解释语言提供了一种优化，它能克服上述效率问题，极大提升代码执行速度，同时保留Python语言的易用性。使用JIT技术时，JIT编译器将Python源代码编译成机器直接可以执行的机器语言，并可以直接在CPU等硬件上运行。这样就跳过了原来的虚拟机，执行速度几乎与用C语言编程速度并无二致。

Numba是一个针对Python的开源JIT编译器，由Anaconda公司主导开发，可以对Python原生代码进行CPU和GPU加速。

import time

def fun(x):
    total = 0
    start = time.time()
    for i in range(1,x+1):
        total += i
    end = time.time()
    print(total)
    print(end - start)

fun(100000000)

5000000050000000
5.934630393981934

import time
from numba import jit, int32

@jit(int32(int32))
def fun(x):
    total = 0
    start = time.time()
    for i in range(1,x+1):
        total += i
    end = time.time()
    print(total)
    print(end - start)

fun(100000000)

5000000050000000
0.1186532974243164

速度有60倍提升