10 个提升 Python 性能的实战技巧：从慢如蜗牛到快如闪电

“Python 不慢，是你没写对。” —— 资深 Python 工程师的忠告

Python 以简洁和易读著称，但也常被诟病“执行慢”。然而，真正的瓶颈往往不在语言本身，而在开发者对底层机制的理解不足。

本文基于 JetBrains PyCharm 团队最新发布的《10 Smart Performance Hacks For Faster Python Code》一文，结合实战代码与性能实测数据，为你揭示 10 个简单却高效的 Python 性能优化技巧。每一个技巧都能在不牺牲代码可读性的前提下，带来 数倍甚至百倍的性能提升。

---

技巧 1：用 set 替代 list 做成员检查

问题：在大列表中用 x in list 检查元素存在性，时间复杂度为 O(n)。

解决方案：改用 set，平均时间复杂度为 O(1)。

big_list = list(range(1_000_000))
big_set = set(big_list)

# 测试
999_999 in big_list  # ≈0.015 秒
999_999 in big_set   # ≈0.00002 秒（快 750 倍！）

✅ 适用场景：去重、白名单校验、ID 存在性判断。

---

技巧 2：避免不必要的对象拷贝

问题：频繁调用 list.copy()、dict.copy() 会触发内存分配与数据复制。

解决方案：尽量原地修改（in-place），减少中间副本。

def modify_in_place(lst):
    lst[0] = 999
    return lst  # 无拷贝

def copy_and_modify(lst):
    new_lst = lst.copy()  # 昂贵操作
    new_lst[0] = 999
    return new_lst

实测：处理百万级列表时，原地修改快 100 倍。

---

技巧 3：对高频类使用 __slots__

问题：Python 默认用 __dict__ 存储实例属性，内存开销大。

解决方案：用 __slots__ 固定属性，节省内存并加速访问。

class Point:
    __slots__ = ('x', 'y')
    def __init__(self, x, y):
        self.x = x
        self.y = y

实测：创建 100 万个 Point 实例，内存减少 40%，初始化快 20%。

---

技巧 4：用 math 模块替代运算符

问题：x ** 0.5 虽简洁，但比 math.sqrt(x) 慢且精度低。

解决方案：数值计算优先使用 math 模块（C 实现）。

import math
numbers = range(10_000_000)

# 快且准
[math.sqrt(n) for n in numbers]      # ≈0.20 秒

# 慢且可能有浮点误差
[n ** 0.5 for n in numbers]          # ≈0.25 秒

✅ PyCharm 提示：输入 math. 自动弹出函数列表，提升编码效率。

---

技巧 5：预分配已知大小的列表

问题：list.append() 在内部会动态扩容，触发内存拷贝。

解决方案：若已知最终长度，预先分配。

# 慢（动态扩容）
result = []
for i in range(1_000_000):
    result.append(i)

# 快（预分配）
result = [0] * 1_000_000
for i in range(1_000_000):
    result[i] = i

实测：预分配快 30%，且内存布局更连续，利于缓存。

---

技巧 6：避免在热循环中使用异常控制流

问题：异常处理涉及栈展开，开销极大。

错误示范：

for i in numbers:
    try:
        total += i / (i % 2)
    except ZeroDivisionError:
        total += i

正确做法：

for i in numbers:
    if i % 2 != 0:
        total += i // 2
    else:
        total += i

实测：条件判断比异常快 2 倍，且逻辑更清晰。

---

技巧 7：将重复逻辑封装为局部函数

原理：局部作用域变量查找比全局快。

def process_data():
    def add(a, b):  # 局部函数
        return a + b

    total = 0
    for i in range(10_000_000):
        total = add(total, i)  # 更快
    return total

实测：局部函数调用快 10%~15%，尤其在高频循环中。

💡 PyCharm AI 助手：选中代码 → 点击灯泡 → “Suggest Refactoring”，自动推荐优化方案。

---

技巧 8：用 itertools 处理组合问题

问题：手动写嵌套循环生成笛卡尔积，效率低且占内存。

解决方案：使用 itertools.product()。

from itertools import product

items = [1, 2, 3] * 10

# 高效、懒加载、省内存
list(product(items, repeat=2))  # ≈0.0005 秒

# 手动循环
[(x, y) for x in items for y in items]  # ≈0.002 秒（慢 4 倍）

✅ 优势：延迟计算、内存友好、C 优化。

---

技巧 9：用 bisect 维护有序列表

问题：在有序列表中插入新元素后手动排序，O(n log n)。

解决方案：bisect.insort() 用二分查找插入，O(log n)。

import bisect

sorted_list = list(range(0, 1_000_000, 2))

bisect.insort(sorted_list, 75432)  # ≈0.0001 秒

# 手动查找插入位
for i, v in enumerate(sorted_list):
    if v > 75432:
        sorted_list.insert(i, 75432)
        break  # ≈0.01 秒（慢 100 倍！）

---

技巧 10：缓存循环中的重复函数调用

问题：在循环内反复调用无副作用的函数，浪费算力。

解决方案：提前计算，缓存结果。

def expensive():
    time.sleep(0.001)  # 模拟耗时操作
    return 42

# 错误：调用 1000 次
for _ in range(1000):
    result += expensive()  # 耗时 ≈1 秒

# 正确：调用 1 次
value = expensive()
for _ in range(1000):
    result += value        # 耗时 ≈0.001 秒

---

总结：性能优化的核心原则

原则	说明
用对数据结构	set > list（查）、deque > list（头尾操作）
减少内存分配	预分配、原地修改、避免拷贝
利用 C 扩展	math、itertools、bisect、collections
避免“昂贵”操作	异常、全局变量、重复计算
善用工具	PyCharm AI Assistant、cProfile、line_profiler

记住：优化不是重写，而是 精准手术。
先用性能分析工具定位瓶颈，再用上述技巧“点穴式”提升。

---