提升Python運行速度的5個小技巧

Python 是世界上使用最廣泛的編程語言之一。它是一種解釋型高級通用編程語言，具有廣泛的用途，幾乎可以將其用于所有事物。其以簡單的語法、優雅的代碼和豐富的第三方庫而聞名。python除了有很多優點外，但在速度上還有一個非常大的缺點。

雖然Python代碼運行緩慢，但可以通過下面分享的5個小技巧提升Python運行速度！

首先，定義一個計時函數timeshow，通過簡單的裝飾，可以打印指定函數的運行時間。

這個函數在下面的例子中會被多次使用。

def?timeshow(func):
????from?time?import?time
????def?newfunc(*arg,?**kw):
????????t1?=?time()
????????res?=?func(*arg,?**kw)
????????t2?=?time()
????????print(f"{func.__name__:?>10}?:?{t2-t1:.6f}?sec")
????????return?res
????return?newfunc
@timeshow
def?test_it():
????print("hello?pytip")
test_it()

使用正確的數據結構對python腳本的運行時間有顯著影響。Python 有四種內置的數據結構：

列表: List

元組: Tuple

集合: Set

字典: Dictionary

但是，大多數開發人員在所有情況下都使用列表。這是不正確的做法，應該根據任務使用合適數據結構。

運行下面的代碼，可以看到元組執行簡單檢索操作的速度比列表快。其中dis模塊反匯編了一個函數的字節碼，這有利于查看列表和元組之間的區別。

import?dis
def?a():
????data?=?[1,?2,?3,?4,?5,6,7,8,9,10]
????x?=data[5]
????return?x
def?b():
????data?=?(1,?2,?3,?4,?5,6,7,8,9,10)
????x?=data[5]
????return?x
print("-----:使用列表的機器碼:------")
dis.dis(a)
print("-----:使用元組的機器碼:------")
dis.dis(b)

運行輸出:

-----:使用列表的機器碼:------3 0 LOAD_CONST 1 (1)2 LOAD_CONST 2 (2)4 LOAD_CONST 3 (3)6 LOAD_CONST 4 (4)8 LOAD_CONST 5 (5)10 LOAD_CONST 6 (6)12 LOAD_CONST 7 (7)14 LOAD_CONST 8 (8)16 LOAD_CONST 9 (9)18 LOAD_CONST 10 (10)20 BUILD_LIST 1022 STORE_FAST 0 (data)4 24 LOAD_FAST 0 (data)26 LOAD_CONST 5 (5)28 BINARY_SUBSCR30 STORE_FAST 1 (x)5 32 LOAD_FAST 1 (x)34 RETURN_VALUE-----:使用元組的機器碼:------7 0 LOAD_CONST 1 ((1, 2, 3, 4, 5, 6, 7, 8, 9, 10))2 STORE_FAST 0 (data)8 4 LOAD_FAST 0 (data)6 LOAD_CONST 2 (5)8 BINARY_SUBSCR10 STORE_FAST 1 (x)9 12 LOAD_FAST 1 (x)14 RETURN_VALUE

看下列表的機器碼，冗長而多余！

如果你正在使用python并且仍在自己編寫一些通用函數(比如加法、減法)，那么是在侮辱python。 Python有大量的庫和內置函數來幫助你不用編寫這些函數。 如果研究下，那么你會驚奇地發現幾乎90%的問題已經有第三方包或內置函數來解決。

可以通過訪問官方文檔查看所有內置函數。你也可以在wiki python上找到更多使用內置函數的場景。

比如，現在我們想合并列表中的所有單詞為一個句子，比較法自己編寫和調用庫函數的區別:

#???正常人能想到的方法
@timeshow
def?f1(list):
????s?=""
????for?substring?in?list:
????????s?+=?substring
????return?s
#???pythonic?的方法
@timeshow
def?f2(list):
????s?=?"".join(list)
????return?s
l?=?["I",?"Love",?"Python"]?*?1000?#?為了看到差異，我們把這個列表放大了
f1(l)
f2(l)

運行輸出:

f1 : 0.000227 secf2 : 0.000031 sec

用 列表推導式 代替循環

用 迭代器 代替循環

用 filter() 代替循環

減少循環次數，精確控制，不浪費CPU

##?返回n以內的可以被7整除的所有數字。
#???正常人能想到的方法:
@timeshow
def?f_loop(n):?
????L=[]
????for?i?in?range(n):
????????if?i?%?7?==0:
????????????L.append(i)
????return?L
#????列表推導式
@timeshow
def?f_list(n):
????L?=?[i?for?i?in?range(n)?if?i?%?7?==?0]
????return?L
#????迭代器
@timeshow
def?f_iter(n):
????L?=?(i?for?i?in?range(n)?if?i?%?7?==?0)
????return?L
#???過濾器?
@timeshow
def?f_filter(n):
????L?=?filter(lambda?x:?x?%?7?==?0,?range(n))
????return?L
#???精確控制循環次數?
@timeshow
def?f_mind(n):
????L?=?(i*7?for?i?in?range(n//7))
????return?L
n?=?1_000_000
f_loop(n)
f_list(n)
f_iter(n)
f_filter(n)
f_mind(n)

輸出為:

f_loop : 0.083017 secf_list : 0.056110 secf_iter : 0.000015 secf_filter : 0.000003 secf_mind : 0.000002 sec

誰快誰慢，一眼便知！

filter 配合lambda大法就是屌！！！

如果你有一個迭代器，必須用它的元素做一些耗時計算，比如匹配正則表達式。你應該將正則表達式模式定義在循環之外，因為最好只編譯一次模式，而不是在循環的每次迭代中一次又一次地編譯它。

只要有可能，就應該嘗試在循環外進行盡可能多的運算，比如將函數計算分配給局部變量，然后在函數中使用它。

#???應改避免的方式：
@timeshow
def?f_more(s):
????import?re
????for?i?in?s:
????????m?=?re.search(r'a*[a-z]?c',?i)
#???更好的方式：
@timeshow
def?f_less(s):
????import?re
????regex?=?re.compile(r'a*[a-z]?c')
????for?i?in?s:
????????m?=?regex.search(i)
s?=?["abctestabc"]?*?1_000
f_more(s)
f_less(s)

輸出為:

f_more : 0.001068 secf_less : 0.000365 sec

內存占用是指程序運行時使用的內存量。為了讓Python代碼運行得更快，應該減少程序的內存使用量，即盡量減少變量或對象的數量。

Python 訪問局部變量比全局變量更有效。在有必要之前，應該始終嘗試忽略聲明全局變量。一個在程序中定義過的全局變量會一直存在，直到整個程序編譯完成，所以它一直占據著內存空間。另一方面，局部變量訪問更快，且函數完成后即可回收。因此，使用多個局部變量比使用全局變量會更好。

#???應該避免的方式：
message?=?"Line1\n"
message?+=?"Line2\n"
message?+=?"Line3\n"
#???更好的方式：
l?=?["Line1","Line2","Line3"]
message?=?'\n'.join(l)
#???應該避免的方式：
x?=?5
y?=?6?
def?add():
????return?x+y
add()
#???更好的方式：
def?add():
????x?=?5
????y?=?6
????return?x+y
add()

本篇文章就到這里了，希望能夠給你帶來幫助，也希望您能夠多多關注好二三四的更多內容!