本文探讨了Python循环速度慢的原因，如解释器开销和动态类型成本，并提供了优化循环的策略，包括基准测试、使用内置函数、向量化、优化循环体和采用有效的迭代模式。
译自：Speed Up Python Loops: Proven Techniques To Make Your Code Faster
作者：Jack Wallen
引言
循环是 Python 编程语言 不可或缺的一部分。循环是一种控制结构，允许重复执行代码块特定的迭代次数，直到满足条件为止。
循环具有多种优点，例如有效利用时间、简化编码、灵活性、提高生产力、减少错误和增强可读性。
您可以使用循环进行文件操作、数据分析和游戏开发。
但是，Python 循环 存在一个缺点：速度慢。
为什么 Python 循环感觉很慢
Python 循环以速度慢而闻名，原因有很多，例如解释器开销、内存分配和释放、对象创建、函数调用和递归、全局解释器锁 等等。
让我们来看看这些问题的一些具体细节。
解释器开销
当 Python 循环运行时，解释器必须执行额外的任务，例如解析代码、为每次迭代创建堆栈帧以及更新变量和数据结构。所有这些都会使循环感觉比应有的速度慢。
动态类型成本
与静态类型语言相比，动态类型 引入了额外的复杂性和开销。对于动态类型语言，解释器必须为每个操作执行运行时类型检查，这涉及到验证变量、函数参数和返回值的类型。由于额外的计算，这种类型检查可能会导致性能下降。
首先进行基准测试：分析你的循环
分析循环是优化其性能的重要过程。要分析一个循环，你必须识别瓶颈并了解执行时间。为此，你必须选择一个分析工具，例如 timeit、cProfile 模块或 line_profiler 库。
使用 Timeit 进行微基准测试
使用 timeit 对 Python 循环进行微基准测试看起来像这样：
import timeit
def add_numbers(a, b):
return a + b
a = 10
b = 20
add_time = timeit.timeit(lambda: add_numbers(a, b), number=100000)
print(f"Addition result: {a + b}")
print(f"Execution time: {add_time:.6f} seconds")
在使用 timeit 编写有效的微基准测试时，请考虑以下提示：
- 通过避免依赖外部库或模块的代码来最大限度地减少外部依赖项。
- 在所有运行中使用一致的种子。
- 运行多次迭代。
- 使用合适的置信区间或 p 值分析。
使用 cProfile 发现热路径
热路径是指程序中最常执行的代码行，可能会影响整体性能。使用 cProfile 可以帮助识别它们，以便可以对其进行优化。要使用 cProfile，你必须：
- 安装并导入库。
- 使用 @profile() 装饰器包装你的函数或模块。
- 在运行代码之前通过调用 profiler.enable() 启用分析器，然后在运行代码之后使用 profiler.disable() 禁用分析器。
这是一个例子：
import cProfile
def my_function():
# Your code here
pass
# Enable profiling and run the function
profiler = cProfile.Profile()
profiler.enable()
my_function()
profiler.disable()
# Print the results
profiler.print_stats(sort='cumulative')
用内置函数替换循环
用内置函数替换循环是优化性能的好方法。例如，你可以使用 map() 代替 for 循环。
这是一个 for 循环的示例：
numbers = [1, 2, 3, 4, 5]
# Using a for loop
result_for_loop = []
for num in numbers:
result_for_loop.append(num ** 2)
print(result_for_loop) # Output: [1, 4, 9, 16, 25]
Here's the same script, using map():
import math
numbers = [1, 2, 3, 4, 5]
# Using map()
result_map = list(map(lambda x: x ** 2, numbers))
print(result_map) # Output: [1, 4, 9, 16, 25]
如果你不确定何时应该使用循环与内置函数：
- 对小数据集使用循环。
- 对复杂逻辑使用循环。
- 对自定义操作使用循环。
除上述情况外，请使用内置函数。
拥抱向量化
向量化是指一次对整个数组或向量执行操作（而不是单独迭代每个元素）的过程。完成此操作的最佳方法是通过 Numpy。
这是一个使用 Numpy 进行向量化的示例：
import numpy as np
# Create two vectors
x = np.array([1, 2, 3])
y = np.array([4, 5, 6])
# Perform element-wise addition using vectorization
result = x + y
print(result) # Output: [5 7 9]
优化循环体
优化循环体涉及：
- 减少迭代次数。
- 最小化计算。
- 利用内置函数。
要优化循环体，你可以：
- 使用列表推导式。
- 避免全局变量。
- 使用迭代器。
有效的迭代模式
有效的迭代模式涉及为任何给定的任务使用最合适的构造，利用内置函数并最大限度地减少不必要的开销。
枚举是一个内置函数，它返回一个迭代器，该迭代器生成一个包含计数以及从迭代获得的值的元组。这是一个例子：
fruits = ['apple', 'banana', 'cherry']
for i, fruit in enumerate(fruits):
print(f"{i}: {fruit}")
# Output:
# 0: apple
# 1: banana
# 2: cherry
Zip 是另一个内置函数，它接受可迭代对象并将它们聚合到元组的单个迭代器中。这是一个例子：
names = ['John', 'Alice']
ages = [25, 30]
for name, age in zip(names, ages):
print(f"{name} is {age} years old")
# Output:
# John is 25 years old
# Alice is 30 years old
解包使得可以将来自迭代器的值直接分配给变量，其工作方式如下：
numbers = [1, 2, 3]
for num in numbers:
print(num)
# Output:
# 1
# 2
# 3
# Unpack the list of tuples into separate variables using unpacking
x, y, z = (10, 20, 30)
print(x) # Output: 10
print(y) # Output: 20
print(z) # Output: 30
结论
有很多其他方法可以加快 Python 循环的速度，但以上内容应该为你提供一个坚实的起点。请记住，如果你不优化循环，你的 Python 代码 可能会变慢，并且鉴于 Python 已经以速度慢而闻名，那么再加上这种速度的不足会真正损害你的脚本。
