【Python】Python加速運(yùn)行技巧

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 的效率并沒有想象中的那么夸張。本文對一些 Python 代碼加速運(yùn)行的技巧進(jìn)行整理。

0. 代碼優(yōu)化原則

本文會介紹不少的 Python 代碼加速運(yùn)行的技巧。在深入代碼優(yōu)化細(xì)節(jié)之前，需要了解一些代碼優(yōu)化基本原則。

第一個基本原則：不要過早優(yōu)化

很多人一開始寫代碼就奔著性能優(yōu)化的目標(biāo)，“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(yōu)化的前提是代碼能正常工作。過早地進(jìn)行優(yōu)化可能會忽視對總體性能指標(biāo)的把握，在得到全局結(jié)果前不要主次顛倒。

第二個基本原則：權(quán)衡優(yōu)化的代價

優(yōu)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(fā)代價也需要考慮。

第三個原則：不要優(yōu)化那些無關(guān)緊要的部分

如果對代碼的每一部分都去優(yōu)化，這些修改會使代碼難以閱讀和理解。如果你的代碼運(yùn)行速度很慢，首先要找到代碼運(yùn)行慢的位置，通常是內(nèi)部循環(huán)，專注于運(yùn)行慢的地方進(jìn)行優(yōu)化。在其他地方，一點(diǎn)時間上的損失沒有什么影響。

1. 避免全局變量

# 不推薦寫法。代碼耗時：26.8秒
import math

size = 10000
for x in range(size):
    for y in range(size):
        z = math.sqrt(x) + math.sqrt(y)

許多程序員剛開始會用 Python 語言寫一些簡單的腳本，當(dāng)編寫腳本時，通常習(xí)慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實(shí)現(xiàn)方式不同，定義在全局范圍內(nèi)的代碼運(yùn)行速度會比定義在函數(shù)中的慢不少。通過將腳本語句放入到函數(shù)中，通常可帶來 15% - 30% 的速度提升。

# 推薦寫法。代碼耗時：20.6秒
import math

def main():  # 定義到函數(shù)中，以減少全部變量使用
    size = 10000
    for x in range(size):
        for y in range(size):
            z = math.sqrt(x) + math.sqrt(y)

main()

2. 避免.

2.1 避免模塊和函數(shù)屬性訪問

# 不推薦寫法。代碼耗時：14.5秒
import math

def computeSqrt(size: int):
    result = []
    for i in range(size):
        result.append(math.sqrt(i))
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

每次使用.（屬性訪問操作符時）會觸發(fā)特定的方法，如__getattribute__()和__getattr__()，這些方法會進(jìn)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。

# 第一次優(yōu)化寫法。代碼耗時：10.9秒
from math import sqrt

def computeSqrt(size: int):
    result = []
    for i in range(size):
        result.append(sqrt(i))  # 避免math.sqrt的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

在第 1 節(jié)中我們講到，局部變量的查找會比全局變量更快，因此對于頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運(yùn)行。

# 第二次優(yōu)化寫法。代碼耗時：9.9秒
import math

def computeSqrt(size: int):
    result = []
    sqrt = math.sqrt  # 賦值給局部變量
    for i in range(size):
        result.append(sqrt(i))  # 避免math.sqrt的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

除了math.sqrt外，computeSqrt函數(shù)中還有.的存在，那就是調(diào)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(shù)中for循環(huán)內(nèi)部的.使用。

# 推薦寫法。代碼耗時：7.9秒
import math

def computeSqrt(size: int):
    result = []
    append = result.append
    sqrt = math.sqrt    # 賦值給局部變量
    for i in range(size):
        append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

2.2 避免類內(nèi)屬性訪問

# 不推薦寫法。代碼耗時：10.4秒
import math
from typing import List

class DemoClass:
    def __init__(self, value: int):
        self._value = value
    
    def computeSqrt(self, size: int) -> List[float]:
        result = []
        append = result.append
        sqrt = math.sqrt
        for _ in range(size):
            append(sqrt(self._value))
        return result

def main():
    size = 10000
    for _ in range(size):
        demo_instance = DemoClass(size)
        result = demo_instance.computeSqrt(size)

main()

避免.的原則也適用于類內(nèi)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(nèi)屬性賦值給一個局部變量，可以提升代碼運(yùn)行速度。

# 推薦寫法。代碼耗時：8.0秒
import math
from typing import List

class DemoClass:
    def __init__(self, value: int):
        self._value = value
    
    def computeSqrt(self, size: int) -> List[float]:
        result = []
        append = result.append
        sqrt = math.sqrt
        value = self._value
        for _ in range(size):
            append(sqrt(value))  # 避免 self._value 的使用
        return result

def main():
    size = 10000
    for _ in range(size):
        demo_instance = DemoClass(size)
        demo_instance.computeSqrt(size)

main()

3. 避免不必要的抽象

# 不推薦寫法，代碼耗時：0.55秒
class DemoClass:
    def __init__(self, value: int):
        self.value = value

    @property
    def value(self) -> int:
        return self._value

    @value.setter
    def value(self, x: int):
        self._value = x

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

任何時候當(dāng)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(jìn)行審視使用屬性訪問器的定義是否有必要，使用getter/setter函數(shù)對屬性進(jìn)行訪問通常是 C/C++ 程序員遺留下來的代碼風(fēng)格。如果真的沒有必要，就使用簡單屬性。

# 推薦寫法，代碼耗時：0.33秒
class DemoClass:
    def __init__(self, value: int):
        self.value = value  # 避免不必要的屬性訪問器

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

4. 避免數(shù)據(jù)復(fù)制

4.1 避免無意義的數(shù)據(jù)復(fù)制

# 不推薦寫法，代碼耗時：6.5秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        value_list = [x for x in value]
        square_list = [x * x for x in value_list]

main()

上面的代碼中value_list完全沒有必要，這會創(chuàng)建不必要的數(shù)據(jù)結(jié)構(gòu)或復(fù)制。

# 推薦寫法，代碼耗時：4.8秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        square_list = [x * x for x in value]  # 避免無意義的復(fù)制

main()

另外一種情況是對 Python 的數(shù)據(jù)共享機(jī)制過于偏執(zhí)，并沒有很好地理解或信任 Python 的內(nèi)存模型，濫用 copy.deepcopy()之類的函數(shù)。通常在這些代碼中是可以去掉復(fù)制操作的。

4.2 交換值時不使用中間變量

# 不推薦寫法，代碼耗時：0.07秒
def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        temp = a
        a = b
        b = temp

main()

上面的代碼在交換值時創(chuàng)建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運(yùn)行速度更快。

# 推薦寫法，代碼耗時：0.06秒
def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        a, b = b, a  # 不借助中間變量

main()

4.3 字符串拼接用join而不是+

# 不推薦寫法，代碼耗時：2.6秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
    result = ''
    for str_i in string_list:
        result += str_i
    return result

def main():
    string_list = list(string.ascii_letters * 100)
    for _ in range(10000):
        result = concatString(string_list)

main()

當(dāng)使用a + b拼接字符串時，由于 Python 中字符串是不可變對象，其會申請一塊內(nèi)存空間，將a和b分別復(fù)制到該新申請的內(nèi)存空間中。因此，如果要拼接n個字符串，會產(chǎn)生 n-1個中間結(jié)果，每產(chǎn)生一個中間結(jié)果都需要申請和復(fù)制一次內(nèi)存，嚴(yán)重影響運(yùn)行效率。而使用join()拼接字符串時，會首先計(jì)算出需要申請的總的內(nèi)存空間，然后一次性地申請所需內(nèi)存，并將每個字符串元素復(fù)制到該內(nèi)存中去。

# 推薦寫法，代碼耗時：0.3秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
    return ''.join(string_list)  # 使用 join 而不是 +

def main():
    string_list = list(string.ascii_letters * 100)
    for _ in range(10000):
        result = concatString(string_list)

main()

5. 利用if條件的短路特性

# 不推薦寫法，代碼耗時：0.05秒
from typing import List

def concatString(string_list: List[str]) -> str:
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    abbr_count = 0
    result = ''
    for str_i in string_list:
        if str_i in abbreviations:
            result += str_i
    return result

def main():
    for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()

if 條件的短路特性是指對if a and b這樣的語句， 當(dāng)a為False時將直接返回，不再計(jì)算b；對于if a or b這樣的語句，當(dāng)a為True時將直接返回，不再計(jì)算b。因此， 為了節(jié)約運(yùn)行時間，對于or語句，應(yīng)該將值為True可能性比較高的變量寫在or前，而and應(yīng)該推后。

# 推薦寫法，代碼耗時：0.03秒
from typing import List

def concatString(string_list: List[str]) -> str:
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    abbr_count = 0
    result = ''
    for str_i in string_list:
        if str_i[-1] == '.' and str_i in abbreviations:  # 利用 if 條件的短路特性
            result += str_i
    return result

def main():
    for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()

6. 循環(huán)優(yōu)化

6.1 用for循環(huán)代替while循環(huán)

# 不推薦寫法。代碼耗時：6.7秒
def computeSum(size: int) -> int:
    sum_ = 0
    i = 0
    while i < size:
        sum_ += i
        i += 1
    return sum_

def main():
    size = 10000
    for _ in range(size):
        sum_ = computeSum(size)

main()

Python 的for循環(huán)比while循環(huán)快不少。

# 推薦寫法。代碼耗時：4.3秒
def computeSum(size: int) -> int:
    sum_ = 0
    for i in range(size):  # for 循環(huán)代替 while 循環(huán)
        sum_ += i
    return sum_

def main():
    size = 10000
    for _ in range(size):
        sum_ = computeSum(size)

main()

6.2 使用隱式for循環(huán)代替顯式for循環(huán)

針對上面的例子，更進(jìn)一步可以用隱式for循環(huán)來替代顯式for循環(huán)

# 推薦寫法。代碼耗時：1.7秒
def computeSum(size: int) -> int:
    return sum(range(size))  # 隱式 for 循環(huán)代替顯式 for 循環(huán)

def main():
    size = 10000
    for _ in range(size):
        sum = computeSum(size)

main()

6.3 減少內(nèi)層for循環(huán)的計(jì)算

# 不推薦寫法。代碼耗時：12.8秒
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        for y in range(size):
            z = sqrt(x) + sqrt(y)

main() 

上面的代碼中sqrt(x)位于內(nèi)側(cè)for循環(huán)， 每次訓(xùn)練過程中都會重新計(jì)算一次，增加了時間開銷。

# 推薦寫法。代碼耗時：7.0秒
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        sqrt_x = sqrt(x)  # 減少內(nèi)層 for 循環(huán)的計(jì)算
        for y in range(size):
            z = sqrt_x + sqrt(y)

main() 

7. 使用numba.jit

我們沿用上面介紹過的例子，在此基礎(chǔ)上使用numba.jit。numba可以將 Python 函數(shù) JIT 編譯為機(jī)器碼執(zhí)行，大大提高代碼運(yùn)行速度。關(guān)于numba的更多信息見下面的主頁：

http://numba.pydata.org/numba.pydata.org

# 推薦寫法。代碼耗時：0.62秒
import numba

@numba.jit
def computeSum(size: float) -> int:
    sum = 0
    for i in range(size):
        sum += i
    return sum

def main():
    size = 10000
    for _ in range(size):
        sum = computeSum(size)

main()

8. 選擇合適的數(shù)據(jù)結(jié)構(gòu)

Python 內(nèi)置的數(shù)據(jù)結(jié)構(gòu)如str, tuple, list, set, dict底層都是 C 實(shí)現(xiàn)的，速度非常快，自己實(shí)現(xiàn)新的數(shù)據(jù)結(jié)構(gòu)想在性能上達(dá)到內(nèi)置的速度幾乎是不可能的。

list類似于 C++ 中的std::vector，是一種動態(tài)數(shù)組。其會預(yù)分配一定內(nèi)存空間，當(dāng)預(yù)分配的內(nèi)存空間用完，又繼續(xù)向其中添加元素時，會申請一塊更大的內(nèi)存空間，然后將原有的所有元素都復(fù)制過去，之后銷毀之前的內(nèi)存空間，再插入新元素。刪除元素時操作類似，當(dāng)已使用內(nèi)存空間比預(yù)分配內(nèi)存空間的一半還少時，會另外申請一塊小內(nèi)存，做一次元素復(fù)制，之后銷毀原有大內(nèi)存空間。因此，如果有頻繁的新增、刪除操作，新增、刪除的元素?cái)?shù)量又很多時，list的效率不高。此時，應(yīng)該考慮使用collections.deque。collections.deque是雙端隊(duì)列，同時具備棧和隊(duì)列的特性，能夠在兩端進(jìn)行 O(1)復(fù)雜度的插入和刪除操作。

list的查找操作也非常耗時。當(dāng)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(hù)list對象有序并在其中進(jìn)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(zhuǎn)化為一個堆，使得獲取最小值的時間復(fù)雜度是O(1)。

下面的網(wǎng)頁給出了常用的 Python 數(shù)據(jù)結(jié)構(gòu)的各項(xiàng)操作的時間復(fù)雜度：

TimeComplexity - Python Wikiwiki.python.org

參考資料

• https://zhuanlan.zhihu.com/p/143052860

• David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013.

• 張穎 & 賴勇浩. 編寫高質(zhì)量代碼：改善Python程序的91個建議. 機(jī)械工業(yè)出版社, ISBN: 9787111467045, 2014.