8個 Python 加速運行優化技巧

數據分析那些事

8 min readSep 11, 2023

Python大數據分析

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 的效率並沒有想象中的那麼誇張。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：不要過早優化

很多人一開始寫代碼就奔着性能優化的目標，“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：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：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，專注於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麼影響。

1. 避免全局變量

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爲全局變量，例如上面的代碼。但是，由於全局變量和局部變量實現方式不同，定義在全局範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。

2. 避免

2.1 避免模塊和函數屬性訪問

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。

在第 1 節中我們講到，局部變量的查找會比全局變量更快，因此對於頻繁訪問的變量sqrt，通過將其改爲局部變量可以加速運行。

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。

2.2 避免類內屬性訪問

避免的原則也適用於類內屬性，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。

3. 避免不必要的抽象

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。

4. 避免數據複製

4.1 避免無意義的數據複製

另外一種情況是對 Python 的數據共享機制過於偏執，並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複製操作的。

4.2 交換值時不使用中間變量

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，代碼更爲簡潔、且運行速度更快。

4.3 字符串拼接用join而不是+

當使用a + b拼接字符串時，由於 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分別複製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箇中間結果，每產生一箇中間結果都需要申請和複製一次內存，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，然後一次性地申請所需內存，並將每個字符串元素複製到該內存中去。

5. 利用if條件的短路特性

if 條件的短路特性是指對if a and b這樣的語句，當a爲False時將直接返回，不再計算b；對於if a or b這樣的語句，當a爲True時將直接返回，不再計算b。因此，爲了節約運行時間，對於or語句，應該將值爲True可能性比較高的變量寫在or前，而and應該推後。

6. 循環優化

6.1 用for循環代替while循環

Python 的for循環比while循環快不少。

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

6.3 減少內層for循環的計算

上面的代碼中sqrt(x)位於內側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。

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 編譯爲機器碼執行，大大提高代碼運行速度。

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類似於 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，然後將原有的所有元素都複製過去，之後銷燬之前的內存空間，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，做一次元素複製，之後銷燬原有大內存空間。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)複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對象有序並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轉化爲一個堆，使得獲取最小值的時間複雜度是O(1)。

文章來源： Python大数据分析
原文鏈接：https://mp.weixin.qq.com/s/X6kn1xaLFMNEv1nEqE8foQ

※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※