如何进行 Python 性能优化是本文探讨的主要问题。本文会涉及常见的代码优化方法性能优化工具的使用以及如何诊断代码的性能瓶颈等内容品牌网络推广方案性能优化工具的使用以及如何诊断代码的性能瓶颈等内容希望可以给 Python 开发人员一定的参考。
Python 代码优化常见技巧
代码优化能够让程序运行更快它是在不改变程序运行结果的情况下使得程序的运行效率更高根据 80/20 原则实现程序的重构、优化、扩展以及文档相关的事情通常需要消耗 80% 的工作量。优化通常包含两方面的内容：减小代码的体积提高代码的运行效率。
改进算法选择合适的数据结构
一个良好的算法能够对性能起到关键作用因此性能改进的首要点是对算法的改进。在算法的时间复杂度排序上依次是：
O(1) – O(lg n) – O(n lg n) – O(n^2) – O(n^3) – O(n^k) – O(k^n) – O(n!)
因此如果能够在时间复杂度上对算法进行一定的改进对性能的提高不言而喻。但对具体算法的改进不属于本文讨论的范围读者可以自行参考这方面资料。下面的内容将集中讨论数据结构的选择。
字典 (dictionary) 与列表 (list)
Python 字典中使用了 hash table因此查找操作的复杂度为 O(1)而 list 实际是个数组在 list 中查找需要遍历整个 list其复杂度为 O(n)因此对成员的查找访问等操作字典要比 list 更快。
清单 1. 代码 dict.py
代码如下:
from time import time
t = time()
list = [‘a’,’b’,’is’,’python’,’jason’,’hello’,’hill’,’with’,’phone’,’test’,
‘dfdf’,’apple’,’pddf’,’ind’,’basic’,’none’,’baecr’,’var’,’bana’,’dd’,’wrd’]
#list = dict.fromkeys(list,True)
print list
filter = []
for i in range (1000000):
for find in [‘is’,’hat’,’new’,’list’,’old’,’.’]:
if find not in list:
filter.append(find)
print “total run time:”
print time()-t
上述代码运行大概需要 16.09seconds。如果去掉行 #list = dict.fromkeys(list,True) 的注释将 list 转换为字典之后再运行时间大约为 8.375 seconds效率大概提高了一半。因此在需要多数据成员进行频繁的查找或者访问的时候使用 dict 而不是 list 是一个较好的选择。
集合 (set) 与列表 (list)
set 的 union intersectiondifference 操作要比 list 的迭代要快。因此如果涉及到求 list 交集并集或者差的问题可以转换为 set 来操作。
清单 2. 求 list 的交集：
代码如下:
from time import time
t = time()
lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]
listb=[2,4,6,9,23]
intersection=[]
for i in range (1000000):
for a in lista:
for b in listb:
if a == b:
intersection.append(a)
print “total run time:”
print time()-t
上述程序的运行时间大概为：
total run time:
38.4070000648
清单 3. 使用 set 求交集
代码如下:
from time import time
t = time()
lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]
listb=[2,4,6,9,23]
intersection=[]
for i in range (1000000):
list(set(lista)set(listb))
print “total run time:”
print time()-t
改为 set 后程序的运行时间缩减为 8.75提高了 4 倍多运行时间大大缩短。读者可以自行使用表 1 其他的操作进行测试。
表 1. set 常见用法
语法 操作 说明
set(list1) | set(list2) union 包含 list1 和 list2 所有数据的新集合
set(list1) set(list2) intersection 包含 list1 和 list2 中共同元素的新集合
set(list1) – set(list2) difference 在 list1 中出现但不在 list2 中出现的元素的集合
对循环的优化
对循环的优化所遵循的原则是尽量减少循环过程中的计算量有多重循环的尽量将内层的计算提到上一层。 下面通过实例来对比循环优化后所带来的性能的提高。程序清单 4 中如果不进行循环优化其大概的运行时间约为 132.375。
清单 4. 为进行循环优化前
代码如下:
from time import time
t = time()
lista = [1,2,3,4,5,6,7,8,9,10]
listb =[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]
for i in range (1000000):
for a in range(len(lista)):
for b in range(len(listb)):
x=lista[a]+listb[b]
print “total run time:”
print time()-t
现在进行如下优化将长度计算提到循环外range 用 xrange 代替seo外链range 用 xrange 代替同时将第三层的计算 lista[a] 提到循环的第二层。
清单 5. 循环优化后
代码如下:
from time import time
t = time()
lista = [1,2,3,4,5,6,7,8,9,10]
listb =[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]
len1=len(lista)
len2=len(listb)
for i in xrange (1000000):
for a in xrange(len1):
temp=lista[a]
for b in xrange(len2):
x=temp+listb[b]
print “total run time:”
print time()-t
上述优化后的程序其运行时间缩短为 102.171999931。在清单 4 中 lista[a] 被计算的次数为 1000000*10*10而在优化后的代码中被计算的次数为 1000000*10计算次数大幅度缩短因此性能有所提升。
充分利用 Lazy if-evaluation 的特性
python 中条件表达式是 lazy evaluation 的也就是说如果存在条件表达式 if x and yseo外链也就是说如果存在条件表达式 if x and y在 x 为 false 的情况下 y 表达式的值将不再计算。因此可以利用该特性在一定程度上提高程序效率。