🐮!这15个技巧直接让你的Python性能起飞🚀

·  阅读 8037
🐮!这15个技巧直接让你的Python性能起飞🚀

这是我参与2022首次更文挑战的第8天,活动详情查看:2022首次更文挑战

前言

Python 一直以来被大家所诟病的一点就是执行速度慢,但不可否认的是 Python 依然是我们学习和工作中的一大利器。因此,我们对 Python 呢是“又爱又恨”。

本文总结了一些小 tips 有助于提升 Python 执行速度、优化性能。以下所有技巧都经过我的验证,可放心食用💖。

先上结论:

  1. 使用map()进行函数映射
  2. 使用set()求交集
  3. 使用sort()sorted()排序
  4. 使用collections.Counter()计数
  5. 使用列表推导
  6. 使用join()连接字符串
  7. 使用x, y = y, x交换变量
  8. 使用while 1取代while True
  9. 使用装饰器缓存
  10. 减少点运算符(.)的使用
  11. 使用for循环取代while循环
  12. 使用Numba.jit加速计算
  13. 使用Numpy矢量化数组
  14. 使用in检查列表成员
  15. 使用itertools库迭代

如何测量程序的执行时间❓

关于 Python 如何精确地测量程序的执行时间,这个问题看起来简单其实很复杂,因为程序的执行时间受到很多因素的影响,例如操作系统、Python 版本以及相关硬件(CPU 性能、内存读写速度)等。在同一台电脑上运行相同版本的语言时,上述因素就是确定的了,但是程序的睡眠时间依然是变化的,且电脑上正在运行的其他程序也会对实验有干扰,因此严格来说这就是《实验不可重复》。

我了解到的关于计时比较有代表性的两个库就是timetimeit

其中,time库中有time()perf_counter()以及process_time()三个函数可用来计时⏲(以秒为单位),加后缀_ns表示以纳秒计时(自 Python3.7 始)。在此之前还有clock()函数,但是在 Python3.3 之后被移除了。上述三者的区别如下:

  • time()精度上相对没有那么高,而且受系统的影响,适合表示日期时间或者大程序的计时。
  • perf_counter()适合小一点的程序测试,会计算sleep()时间。
  • process_time()适合小一点的程序测试,不计算sleep()时间。

time库相比,timeit 有两个优点:

  • timeit 会根据您的操作系统和 Python 版本选择最佳计时器。
  • timeit 在计时期间会暂时禁用垃圾回收。

timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000, globals=None) 参数说明:

  • stmt='pass':需要计时的语句或者函数。
  • setup='pass':执行stmt之前要运行的代码。通常,它用于导入一些模块或声明一些必要的变量。
  • timer=<default timer>:计时器函数,默认为time.perf_counter()
  • number=1000000:执行计时语句的次数,默认为一百万次。
  • globals=None:指定执行代码的命名空间。

本文所有的计时均采用timeit方法,且采用默认的执行次数一百万次

为什么要执行一百万次呢?因为我们的测试程序很短,如果不执行这么多次的话,根本看不出差距。

正文

1.使用map()进行函数映射

✅ Exp1:将字符串数组中的小写字母转为大写字母。

测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

  • 方法一
newlist = []
for word in oldlist:
    newlist.append(word.upper())
复制代码
  • 方法二
list(map(str.upper, oldlist))
复制代码

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

2.使用set()求交集

✅ Exp2:求两个list的交集。

测试数组: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)
复制代码
  • 方法二
list(set(a) & set(b))
复制代码

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

关于set()的语法:|&-分别表示求并集、交集、差集。

3.使用sort()sorted()排序

我们可以通过多种方式对序列进行排序,但其实自己编写排序算法的方法有些得不偿失。因为内置的 sort()sorted() 方法已经足够优秀了,且利用参数key可以实现不同的功能,非常灵活。二者的区别是sort()方法仅被定义在list中,而sorted()是全局方法对所有的可迭代序列都有效。

✅ Exp3:分别使用快排和sort()方法对同一列表排序。

测试数组: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
复制代码
  • 方法二
lists.sort()
复制代码

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

顺带一提,sorted()方法耗时 0.1339823999987857s

可以看出,sort()作为list专属的排序方法还是很强的,sorted()虽然比前者慢一点,但是胜在它“不挑食”,它对所有的可迭代序列都有效。

扩展:如何定义sort()sorted()方法的key

  1. 通过lambda定义
#学生:(姓名,成绩,年龄)
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key = lambda student: student[0]) #根据姓名排序
sorted(students, key = lambda student: student[0])
复制代码
  1. 通过operator定义
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)) #先对成绩排序,再对姓名排序
复制代码

operatoritemgetter()适用于普通数组排序,attrgetter()适用于对象数组排序

  1. 通过cmp_to_key()定义,最为灵活
import functools

def cmp(a,b):
    if a[1] != b[1]:
        return -1 if a[1] < b[1] else 1 #先按照成绩升序排序
    elif a[0] != b[0]:
        return -1 if a[0] < b[0] else 1 #成绩相同,按照姓名升序排序
    else:
        return -1 if a[2] > b[2] else 1 #成绩姓名都相同,按照年龄降序排序 

students = [('john', 'A', 15),('john', 'A', 14),('jane', 'B', 12),('dave', 'B', 10)]
sorted(students, key = functools.cmp_to_key(cmp))
复制代码

4.使用collections.Counter()计数

✅ Exp4:统计字符串中每个字符出现的次数。

测试数组:sentence='life is short, i choose python'。

  • 方法一
counts = {}
for char in sentence:
    counts[char] = counts.get(char, 0) + 1
复制代码
  • 方法二
from collections import Counter
Counter(sentence)
复制代码

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

5.使用列表推导

列表推导(list comprehension)短小精悍。在小代码片段中,可能没有太大的区别。但是在大型开发中,它可以节省一些时间。

✅ Exp5:对列表中的奇数求平方,偶数不变。

测试数组:oldlist = range(10)。

  • 方法一
newlist = []
for x in oldlist:
    if x % 2 == 1:
        newlist.append(x**2)
复制代码
  • 方法二
[x**2 for x in oldlist if x%2 == 1]
复制代码

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

6.使用 join() 连接字符串

大多数人都习惯使用+来连接字符串。但其实,这种方法非常低效。因为,+操作在每一步中都会创建一个新字符串并复制旧字符串。更好的方法是用 join() 来连接字符串。关于字符串的其他操作,也尽量使用内置函数,如isalpha()isdigit()startswith()endswith()等。

✅ Exp6:将字符串列表中的元素连接起来。

测试数组:oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

  • 方法一
sentence = ""
for word in oldlist:
    sentence += word
复制代码
  • 方法二
"".join(oldlist)
复制代码

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

join还有一个非常舒服的点,就是它可以指定连接的分隔符,举个例子👇

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

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

7.使用x, y = y, x交换变量

✅ Exp6:交换x,y的值。

测试数据:x, y = 100, 200。

  • 方法一
temp = x
x = y
y = temp
复制代码
  • 方法二
x, y = y, x
复制代码

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

8.使用while 1取代while True

在不知道确切的循环次数时,常规方法是使用while True进行无限循环,在代码块中判断是否满足循环终止条件。虽然这样做没有任何问题,但while 1的执行速度比while True更快。因为它是一种数值转换,可以更快地生成输出。

✅ Exp8:分别用while 1while True循环 100 次。

  • 方法一
i = 0
while True:
    i += 1
    if i > 100:
        break
复制代码
  • 方法二
i = 0
while 1:
    i += 1
    if i > 100:
        break
复制代码

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

9.使用装饰器缓存

将文件存储在高速缓存中有助于快速恢复功能。Python 支持装饰器缓存,该缓存在内存中维护特定类型的缓存,以实现最佳软件驱动速度。我们使用lru_cache装饰器来为斐波那契函数提供缓存功能,在使用fibonacci递归函数时,存在大量的重复计算,例如fibonacci(1)fibonacci(2)就运行了很多次。而在使用了lru_cache后,所有的重复计算只会执行一次,从而大大提高程序的执行效率。

✅ Exp9:求斐波那契数列。

测试数据: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)
复制代码
  • 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)
复制代码

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

❗注意事项:

  • 缓存是按照参数作为键,也就说在参数不变时,被lru_cache装饰的函数只会执行一次。
  • 所有参数必须可哈希,例如list不能作为被lru_cache装饰的函数的参数。
import functools
 
@functools.lru_cache(maxsize=100)
def demo(a, b):
    print('我被执行了')
    return a + b
if __name__ == '__main__':
    demo(1, 2)
    demo(1, 2)
复制代码

我被执行了(执行了两次demo(1, 2),却只输出一次

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])
复制代码

TypeError: unhashable type: 'list'

functools.lru_cache(maxsize=128, typed=False)的两个可选参数:

  • maxsize代表缓存的内存占用值,超过这个值之后,就的结果就会被释放,然后将新的计算结果进行缓存,其值应当设为 2 的幂。
  • typed若为True,则会把不同的参数类型得到的结果分开保存。

10.减少点运算符(.)的使用

点运算符(.)用来访问对象的属性或方法,这会引起程序使用__getattribute__()__getattr__()进行字典查找,从而带来不必要的开销。尤其注意,在循环当中,更要减少点运算符的使用,应该将它移到循环外处理。

这启发我们应该尽量使用from ... import ...这种方式来导包,而不是在需要使用某方法时通过点运算符来获取。其实不光是点运算符,其他很多不必要的运算我们都尽量移到循环外处理。

✅ Exp10:将字符串数组中的小写字母转为大写字母。

测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

  • 方法一
newlist = []
for word in oldlist:
    newlist.append(str.upper(word))
复制代码
  • 方法二
newlist = []
upper = str.upper
for word in oldlist:
    newlist.append(upper(word))
复制代码

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

11.使用for循环取代while循环

当我们知道具体要循环多少次时,使用for循环比使用while循环更好。

✅ Exp12:使用forwhile分别循环 100 次。

  • 方法一
i = 0
while i < 100:
    i += 1
复制代码
  • 方法二
for _ in range(100):
    pass
复制代码

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

12.使用Numba.jit加速计算

Numba 可以将 Python 函数编译码为机器码执行,大大提高代码执行速度,甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用,在 for 循环中或存在大量计算时能显著地提高执行效率。

✅ Exp12:求从 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
复制代码
  • 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
复制代码

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

13.使用Numpy矢量化数组

矢量化是 NumPy 中的一种强大功能,可以将操作表达为在整个数组上而不是在各个元素上发生。这种用数组表达式替换显式循环的做法通常称为矢量化。

在 Python 中循环数组或任何数据结构时,会涉及很多开销。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数,从而使 Python 代码更加快速。

✅ Exp13:两个长度相同的序列逐元素相乘。

测试数组: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))]
复制代码
  • 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
复制代码

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

14.使用in检查列表成员

若要检查列表中是否包含某成员,通常使用in关键字更快。

✅ Exp14:检查列表中是否包含某成员。

测试数组: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
复制代码
  • 方法二
if target in lists:
    pass
复制代码

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

15.使用itertools库迭代

itertools是用来操作迭代器的一个模块,其函数主要可以分为三类:无限迭代器、有限迭代器、组合迭代器。

✅ Exp15:返回列表的全排列。

测试数组:["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
复制代码
  • 方法二
import itertools
itertools.permutations(["Alice", "Bob", "Carol"])
复制代码

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

扩展itertools库详解:点击此链接

结语

根据上面的测试数据,我绘制了下面这张实验结果图,可以更加直观的看出不同方法带来的性能差异。

result.png

从图中可以看出,大部分的技巧所带来的性能增幅还是比较可观的,但也有少部分技巧的增幅较小(例如编号5、7、8,其中,第 8 条的两种方法几乎没有差异)。

总结下来,我觉得其实就是下面这两条原则:

1.尽量使用内置库函数

内置库函数由专业的开发人员编写并经过了多次测试,很多库函数的底层是用C语言开发的。因此,这些函数总体来说是非常高效的(比如sort()join()等),自己编写的方法很难超越它们,还不如省省功夫,不要重复造轮子了,何况你造的轮子可能更差。所以,如果函数库中已经存在该函数,就直接拿来用。

2.尽量使用优秀的第三方库

有很多优秀的第三方库,它们的底层可能是用 C 和 Fortran 来实现的,像这样的库用起来绝对不会吃亏,比如前文提到的 Numpy 和 Numba,它们带来的提升都是非常惊人的。类似这样的库还有很多,比如Cython、PyPy等,这里我只是抛砖引玉。

其实加快 Python 代码执行速度的方法还有很多,比如避免使用全局变量使用最新版本使用合适的数据结构利用if条件的惰性等等,我这里就不一一例举了。这些方法都需要我们亲身去实践才会有深刻的感受和理解,但最根本的方法就是保持我们对编程的热情和对最佳实践的追求,这才是我们能不断突破自我、勇攀高峰的不竭动力源泉!👏

❤️ 感谢大家

感谢大家能看到这里,如果你觉得这篇内容对你有帮助的话:

  1. 点赞支持下吧,让更多的人也能看到这篇内容。

  2. 欢迎在留言区与我分享你的想法,也欢迎你在留言区记录你的思考过程。

  3. 感兴趣的话也可以阅读我之前的一些文章:

再次感谢各位掘友的鼓励与支持🌹🌹🌹

分类:
人工智能
标签:
收藏成功!
已添加到「」, 点击更改