5個(gè)手到擒來的Python提速技巧

在工作中，我們常常面臨著代碼提速優(yōu)化問題，本文就為大家介紹幾種Python常用的提速技巧。

優(yōu)化原則：
1.先保證代碼可以正確運(yùn)行，再進(jìn)行性能優(yōu)化
2.優(yōu)化的選擇通常是犧牲空間換取時(shí)間，所有我們需要權(quán)衡代價(jià)
3.著重優(yōu)化代碼耗時(shí)的部分，通篇優(yōu)化通常會(huì)降低代碼的可讀性

0 定義耗時(shí)裝飾器

#?可監(jiān)控程序運(yùn)行時(shí)間
import?time
def?clock(func):
????def?wrapper(*args,?**kwargs):
????????start_time?=?time.time()
????????result?=?func(*args,?**kwargs)
????????end_time?=?time.time()
????????print("共耗時(shí):?%s秒"?%?round(end_time?-?start_time,?2))
????????return?result
????return?wrapper

1 避免使用全局變量

start_time?=?time.time()
size?=?10000
for?x?in?range(size):
????for?y?in?range(size):
????????z?=?x?*?y
end_time?=?time.time()
print('共耗時(shí)：%s秒'?%?round(end_time?-?start_time,?2))

#?共耗時(shí)：11.78秒，不推薦

#?使用局部變量
@clock
def?multiplication():
????size?=?10000
????for?x?in?range(size):
????????for?y?in?range(size):
????????????z?=?x?*?y
multiplication()

#?共耗時(shí):?5.5秒，提速50%

2 避免訪問方法(函數(shù))的屬性，盡量使用from X import X

import?math
@clock
def?computeSqrt():
????result?=?[]
????for?i?in?range(10000000):
????????#?math方法訪問sqrt屬性
????????result.append(math.sqrt(i))
computeSqrt()

#?不推薦，共耗時(shí):?2.09秒

#?使用from?X?import?X，直接訪問sqrt
from?math?import?sqrt
@clock
def?computeSqrt():
????result?=?[]
????for?i?in?range(10000000):
????????result.append(sqrt(i))
computeSqrt()

#?推薦，共耗時(shí):?1.75秒

在【1】中我們講到，局部變量的查找會(huì)比全局變量更快，因此對(duì)于頻繁訪問的變量append，通過將其改為局部變量可以加速運(yùn)行。

from?math?import?sqrt
@clock
def?computeSqrt():
????result?=?[]
????#?賦值給局部變量
????append?=?result.append
????for?i?in?range(10000000):
????????append(sqrt(i))
computeSqrt()

#?推薦，共耗時(shí):?1.45秒

3 遍歷優(yōu)化

#?使用while進(jìn)行遍歷
@clock
def?circulate():
????i?=?0
????li?=?[]
????append?=?li.append
????while?i?????????append(i*2)
????????i?+=?1
????return?li
circulate()

#?不推薦，共耗時(shí):1.48秒

@clock
def?circulate():
????li?=?[]
????append?=?li.append
????#?使用for代替while
????for?i?in?range(10000000):
????????append(i*2)
????return?li
circulate()

#?for優(yōu)于while，共耗時(shí):1.09秒

@clock
def?circulate():
????#?使用列表推導(dǎo)式
????return?[i*2?for?i?in?range(10000000)]
circulate()

#?推薦列表推導(dǎo)式，共耗時(shí):0.88秒。但不適用于復(fù)雜計(jì)算。

4 減少內(nèi)層for循環(huán)的計(jì)算

from?math?import?sqrt
@clock
def?inner():
????size?=?10000
????for?x?in?range(size):
????????for?y?in?range(size):
????????????#?相當(dāng)于在重復(fù)計(jì)算sqrt(x)
????????????z?=?sqrt(x)?+?sqrt(y)
inner()?

#?不推薦，共耗時(shí):19.00秒

from??math?import?sqrt
@clock
def?inner():
????size?=?10000
????for?x?in?range(size):
????????#?只計(jì)算一次sqrt(x)，然后將它存了起來
????????sqrt_x?=?sqrt(x)
????????for?y?in?range(size):
????????????z?=?sqrt_x?+?sqrt(y)
inner()?

#?推薦，共耗時(shí):10.22秒

5 使用Numpy數(shù)據(jù)類型進(jìn)行運(yùn)算

因?yàn)?code style="padding: 2px 4px;border-radius: 4px;margin-right: 2px;margin-left: 2px;background-color: rgba(27, 31, 35, 0.05);font-family: "Operator Mono", Consolas, Monaco, Menlo, monospace;word-break: break-all;color: rgb(200, 54, 6);font-size: 13px;">Numpy底層是用C語言實(shí)現(xiàn)的，而Python這種腳本語言相比C/C++這種編譯語言在效率和性能方面有天然劣勢，所以我們可以引入Numpy包，對(duì)數(shù)據(jù)進(jìn)行類型轉(zhuǎn)換后再進(jìn)行計(jì)算。

import?numpy?as?np

li?=?[i?for?i?in?range(10000000)]

@clock
def?npSpeed():
????#?使用Python方法
????sum(li)
npSpeed()?

#?共耗時(shí)0.79秒

import?numpy?as?np

li?=?np.array([i?for?i?in?range(100000000)])
@clock
def?npSpeed():
????#?使用Numpy方法
????np.sum(li)
npSpeed()?

#?共耗時(shí)0.11秒，速度約是Python的8倍

Numpy的優(yōu)勢在數(shù)據(jù)量越大時(shí)，體現(xiàn)的也會(huì)更加明顯。所以在機(jī)器學(xué)習(xí)與深度學(xué)習(xí)項(xiàng)目任務(wù)中，Numpy的使用就非常頻繁。