亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

詳解讓Python性能起飛的15個技巧

 更新時間:2022年02月21日 10:51:51   作者:Codeman  
Python?一直以來被大家所詬病的一點就是執(zhí)行速度慢,但不可否認的是?Python?依然是我們學習和工作中的一大利器。本文總結了15個tips有助于提升?Python?執(zhí)行速度、優(yōu)化性能,需要的可以參考一下

前言

Python 一直以來被大家所詬病的一點就是執(zhí)行速度慢,但不可否認的是 Python 依然是我們學習和工作中的一大利器。因此,我們對 Python 呢是“又愛又恨”。

本文總結了一些小 tips 有助于提升 Python 執(zhí)行速度、優(yōu)化性能。以下所有技巧都經(jīng)過我的驗證,可放心食用。

先上結論:

  • 使用map()進行函數(shù)映射
  • 使用set()求交集
  • 使用sort()sorted()排序
  • 使用collections.Counter()計數(shù)
  • 使用列表推導
  • 使用join()連接字符串
  • 使用x, y = y, x交換變量
  • 使用while 1取代while True
  • 使用裝飾器緩存
  • 減少點運算符(.)的使用
  • 使用for循環(huán)取代while循環(huán)
  • 使用Numba.jit加速計算
  • 使用Numpy矢量化數(shù)組
  • 使用in檢查列表成員
  • 使用itertools庫迭代

如何測量程序的執(zhí)行時間

關于 Python 如何精確地測量程序的執(zhí)行時間,這個問題看起來簡單其實很復雜,因為程序的執(zhí)行時間受到很多因素的影響,例如操作系統(tǒng)、Python 版本以及相關硬件(CPU 性能、內存讀寫速度)等。在同一臺電腦上運行相同版本的語言時,上述因素就是確定的了,但是程序的睡眠時間依然是變化的,且電腦上正在運行的其他程序也會對實驗有干擾,因此嚴格來說這就是實驗不可重復。

我了解到的關于計時比較有代表性的兩個庫就是timetimeit。

其中,time庫中有time()perf_counter()以及process_time()三個函數(shù)可用來計時(以秒為單位),加后綴_ns表示以納秒計時(自 Python3.7 始)。在此之前還有clock()函數(shù),但是在 Python3.3 之后被移除了。上述三者的區(qū)別如下:

  • time()精度上相對沒有那么高,而且受系統(tǒng)的影響,適合表示日期時間或者大程序的計時。
  • perf_counter()適合小一點的程序測試,會計算sleep()時間。
  • process_time()適合小一點的程序測試,不計算sleep()時間。

time庫相比,timeit 有兩個優(yōu)點:

  • timeit 會根據(jù)您的操作系統(tǒng)和 Python 版本選擇最佳計時器。
  • timeit 在計時期間會暫時禁用垃圾回收。

timeit.timeit(stmt='pass', setup='pass', timer=<default timer>, number=1000000, globals=None) 參數(shù)說明:

  • stmt='pass':需要計時的語句或者函數(shù)。
  • setup='pass':執(zhí)行stmt之前要運行的代碼。通常,它用于導入一些模塊或聲明一些必要的變量。
  • timer=<default timer>:計時器函數(shù),默認為time.perf_counter()。
  • number=1000000:執(zhí)行計時語句的次數(shù),默認為一百萬次。
  • globals=None:指定執(zhí)行代碼的命名空間。

本文所有的計時均采用timeit方法,且采用默認的執(zhí)行次數(shù)一百萬次。

為什么要執(zhí)行一百萬次呢?因為我們的測試程序很短,如果不執(zhí)行這么多次的話,根本看不出差距。

1.使用map()進行函數(shù)映射

Exp1:將字符串數(shù)組中的小寫字母轉為大寫字母。

測試數(shù)組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

newlist = []
for word in oldlist:
    newlist.append(word.upper())

方法二

list(map(str.upper, oldlist))

方法一耗時 0.5267724000000005s,方法二耗時 0.41462569999999843s,性能提升 21.29% 

2.使用set()求交集

Exp2:求兩個list的交集。

測試數(shù)組:a = [1,2,3,4,5],b = [2,4,6,8,10]。

方法一

overlaps = []
for x in a:
    for y in b:
        if x == y:
            overlaps.append(x)

方法二

list(set(a) & set(b))

方法一耗時 0.9507264000000006s,方法二耗時 0.6148200999999993s,性能提升 35.33% 

關于set()的語法:|&、-分別表示求并集、交集、差集。

3.使用sort()或sorted()排序

我們可以通過多種方式對序列進行排序,但其實自己編寫排序算法的方法有些得不償失。因為內置的 sort()sorted() 方法已經(jīng)足夠優(yōu)秀了,且利用參數(shù)key可以實現(xiàn)不同的功能,非常靈活。二者的區(qū)別是sort()方法僅被定義在list中,而sorted()是全局方法對所有的可迭代序列都有效。

Exp3:分別使用快排和sort()方法對同一列表排序。

測試數(shù)組:lists = [2,1,4,3,0]。

方法一

def quick_sort(lists,i,j):
    if i >= j:
        return list
    pivot = lists[i]
    low = i
    high = j
    while i < j:
        while i < j and lists[j] >= pivot:
            j -= 1
        lists[i]=lists[j]
        while i < j and lists[i] <=pivot:
            i += 1
        lists[j]=lists[i]
    lists[j] = pivot
    quick_sort(lists,low,i-1)
    quick_sort(lists,i+1,high)
    return lists

方法二

lists.sort()

方法一耗時 2.4796975000000003s,方法二耗時 0.05551999999999424s,性能提升 97.76% 

順帶一提,sorted()方法耗時 0.1339823999987857s

可以看出,sort()作為list專屬的排序方法還是很強的,sorted()雖然比前者慢一點,但是勝在它“不挑食”,它對所有的可迭代序列都有效。

擴展:如何定義sort()sorted()方法的key

1.通過lambda定義

#學生:(姓名,成績,年齡)
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key = lambda student: student[0]) #根據(jù)姓名排序
sorted(students, key = lambda student: student[0])

2.通過operator定義

import operator

students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]
students.sort(key=operator.itemgetter(0))
sorted(students, key = operator.itemgetter(1, 0)) #先對成績排序,再對姓名排序

operatoritemgetter()適用于普通數(shù)組排序,attrgetter()適用于對象數(shù)組排序

3.通過cmp_to_key()定義,最為靈活

import functools

def cmp(a,b):
    if a[1] != b[1]:
        return -1 if a[1] < b[1] else 1 #先按照成績升序排序
    elif a[0] != b[0]:
        return -1 if a[0] < b[0] else 1 #成績相同,按照姓名升序排序
    else:
        return -1 if a[2] > b[2] else 1 #成績姓名都相同,按照年齡降序排序 

students = [('john', 'A', 15),('john', 'A', 14),('jane', 'B', 12),('dave', 'B', 10)]
sorted(students, key = functools.cmp_to_key(cmp))

4.使用collections.Counter()計數(shù)

Exp4:統(tǒng)計字符串中每個字符出現(xiàn)的次數(shù)。

測試數(shù)組:sentence='life is short, i choose python'。

方法一

counts = {}
for char in sentence:
    counts[char] = counts.get(char, 0) + 1

方法二

from collections import Counter
Counter(sentence)

方法一耗時 2.8105250000000055s,方法二耗時 1.6317423000000062s,性能提升 41.94% 

5.使用列表推導

列表推導(list comprehension)短小精悍。在小代碼片段中,可能沒有太大的區(qū)別。但是在大型開發(fā)中,它可以節(jié)省一些時間。

Exp5:對列表中的奇數(shù)求平方,偶數(shù)不變。

測試數(shù)組:oldlist = range(10)。

方法一

newlist = []
for x in oldlist:
    if x % 2 == 1:
        newlist.append(x**2)

方法二

[x**2 for x in oldlist if x%2 == 1]

方法一耗時 1.5342976000000021s,方法二耗時 1.4181957999999923s,性能提升 7.57% 

6.使用 join() 連接字符串

大多數(shù)人都習慣使用+來連接字符串。但其實,這種方法非常低效。因為,+操作在每一步中都會創(chuàng)建一個新字符串并復制舊字符串。更好的方法是用 join() 來連接字符串。關于字符串的其他操作,也盡量使用內置函數(shù),如isalpha()isdigit()、startswith()endswith()等。

Exp6:將字符串列表中的元素連接起來。

測試數(shù)組:oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

sentence = ""
for word in oldlist:
    sentence += word

方法二

"".join(oldlist)

方法一耗時 0.27489080000000854s,方法二耗時 0.08166570000000206s,性能提升 70.29% 

join還有一個非常舒服的點,就是它可以指定連接的分隔符,舉個例子??

oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']
sentence = "http://".join(oldlist)
print(sentence)

life//is//short//i//choose//python

7.使用x, y = y, x交換變量

Exp6:交換x,y的值。

測試數(shù)據(jù):x, y = 100, 200。

方法一

temp = x
x = y
y = temp

方法二

x, y = y, x

方法一耗時 0.027853900000010867s,方法二耗時 0.02398730000000171s,性能提升 13.88% 

8.使用while 1取代while True

在不知道確切的循環(huán)次數(shù)時,常規(guī)方法是使用while True進行無限循環(huán),在代碼塊中判斷是否滿足循環(huán)終止條件。雖然這樣做沒有任何問題,但while 1的執(zhí)行速度比while True更快。因為它是一種數(shù)值轉換,可以更快地生成輸出。

Exp8:分別用while 1while True循環(huán) 100 次。

方法一

i = 0
while True:
    i += 1
    if i > 100:
        break

方法二

i = 0
while 1:
    i += 1
    if i > 100:
        break

方法一耗時 3.679268300000004s,方法二耗時 3.607847499999991s,性能提升1.94%

9.使用裝飾器緩存

將文件存儲在高速緩存中有助于快速恢復功能。Python 支持裝飾器緩存,該緩存在內存中維護特定類型的緩存,以實現(xiàn)最佳軟件驅動速度。我們使用lru_cache裝飾器來為斐波那契函數(shù)提供緩存功能,在使用fibonacci遞歸函數(shù)時,存在大量的重復計算,例如fibonacci(1)、fibonacci(2)就運行了很多次。而在使用了lru_cache后,所有的重復計算只會執(zhí)行一次,從而大大提高程序的執(zhí)行效率。

Exp9:求斐波那契數(shù)列。

測試數(shù)據(jù):fibonacci(7)。

方法一

def fibonacci(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    return fibonacci(n - 1) + fibonacci(n-2)

方法二

import functools

@functools.lru_cache(maxsize=128)
def fibonacci(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    return fibonacci(n - 1) + fibonacci(n-2)

方法一耗時 3.955014900000009s,方法二耗時 0.05077979999998661s,性能提升 98.72% 

注意事項:

  • 緩存是按照參數(shù)作為鍵,也就說在參數(shù)不變時,被lru_cache裝飾的函數(shù)只會執(zhí)行一次。
  • 所有參數(shù)必須可哈希,例如list不能作為被lru_cache裝飾的函數(shù)的參數(shù)。
import functools
 
@functools.lru_cache(maxsize=100)
def demo(a, b):
    print('我被執(zhí)行了')
    return a + b
if __name__ == '__main__':
    demo(1, 2)
    demo(1, 2)

我被執(zhí)行了(執(zhí)行了兩次demo(1, 2),卻只輸出一次)

from functools import lru_cache
 
@lru_cache(maxsize=100)
def list_sum(nums: list):
    return sum(nums)

if __name__ == '__main__':
    list_sum([1, 2, 3, 4, 5])

TypeError: unhashable type: 'list'

functools.lru_cache(maxsize=128, typed=False)的兩個可選參數(shù):

  • maxsize代表緩存的內存占用值,超過這個值之后,就的結果就會被釋放,然后將新的計算結果進行緩存,其值應當設為 2 的冪。
  • typed若為True,則會把不同的參數(shù)類型得到的結果分開保存。

10.減少點運算符(.)的使用

點運算符(.)用來訪問對象的屬性或方法,這會引起程序使用__getattribute__()__getattr__()進行字典查找,從而帶來不必要的開銷。尤其注意,在循環(huán)當中,更要減少點運算符的使用,應該將它移到循環(huán)外處理。

這啟發(fā)我們應該盡量使用from ... import ...這種方式來導包,而不是在需要使用某方法時通過點運算符來獲取。其實不光是點運算符,其他很多不必要的運算我們都盡量移到循環(huán)外處理。

Exp10:將字符串數(shù)組中的小寫字母轉為大寫字母。

測試數(shù)組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

newlist = []
for word in oldlist:
    newlist.append(str.upper(word))

方法二

newlist = []
upper = str.upper
for word in oldlist:
    newlist.append(upper(word))

方法一耗時 0.7235491999999795s,方法二耗時 0.5475435999999831s,性能提升 24.33% 

11.使用for循環(huán)取代while循環(huán)

當我們知道具體要循環(huán)多少次時,使用for循環(huán)比使用while循環(huán)更好。

Exp12:使用forwhile分別循環(huán) 100 次。

方法一

i = 0
while i < 100:
    i += 1

方法二

for _ in range(100):
    pass

方法一耗時 3.894683299999997s,方法二耗時 1.0198077999999953s,性能提升73.82% 

12.使用Numba.jit加速計算

Numba 可以將 Python 函數(shù)編譯碼為機器碼執(zhí)行,大大提高代碼執(zhí)行速度,甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用,在 for 循環(huán)中或存在大量計算時能顯著地提高執(zhí)行效率。

Exp12:求從 1 加到 100 的和。

方法一

def my_sum(n):
    x = 0
    for i in range(1, n+1):
        x += i
    return x

方法二

from numba import jit

@jit(nopython=True) 
def numba_sum(n):
    x = 0
    for i in range(1, n+1):
        x += i
    return x

方法一耗時 3.7199997000000167s,方法二耗時 0.23769430000001535s,性能提升 93.61% 

13.使用Numpy矢量化數(shù)組

矢量化是 NumPy 中的一種強大功能,可以將操作表達為在整個數(shù)組上而不是在各個元素上發(fā)生。這種用數(shù)組表達式替換顯式循環(huán)的做法通常稱為矢量化。

在 Python 中循環(huán)數(shù)組或任何數(shù)據(jù)結構時,會涉及很多開銷。NumPy 中的向量化操作將內部循環(huán)委托給高度優(yōu)化的 C 和 Fortran 函數(shù),從而使 Python 代碼更加快速。

Exp13:兩個長度相同的序列逐元素相乘。

測試數(shù)組:a = [1,2,3,4,5], b = [2,4,6,8,10]

方法一

[a[i]*b[i] for i in range(len(a))]

方法二

import numpy as np
a = np.array([1,2,3,4,5])
b = np.array([2,4,6,8,10])
a*b

方法一耗時 0.6706845000000214s,方法二耗時 0.3070132000000001s,性能提升 54.22% 

14.使用in檢查列表成員

若要檢查列表中是否包含某成員,通常使用in關鍵字更快。

Exp14:檢查列表中是否包含某成員。

測試數(shù)組:lists = ['life', 'is', 'short', 'i', 'choose', 'python']

方法一

def check_member(target, lists):
    for member in lists:
        if member == target:
            return True
    return False

方法二

if target in lists:
    pass

方法一耗時 0.16038449999999216s,方法二耗時 0.04139250000000061s,性能提升 74.19% 

15.使用itertools庫迭代

itertools是用來操作迭代器的一個模塊,其函數(shù)主要可以分為三類:無限迭代器、有限迭代器、組合迭代器。

Exp15:返回列表的全排列。

測試數(shù)組:["Alice", "Bob", "Carol"]

方法一

def permutations(lst):
    if len(lst) == 1 or len(lst) == 0:
        return [lst]
    result = []
    for i in lst:
        temp_lst = lst[:]
        temp_lst.remove(i)
        temp = permutations(temp_lst)
        for j in temp:
            j.insert(0, i)
            result.append(j)
    return result

方法二

import itertools
itertools.permutations(["Alice", "Bob", "Carol"])

方法一耗時 3.867292899999484s,方法二耗時 0.3875405000007959s,性能提升 89.98% 

擴展itertools庫詳解:點擊此鏈接

結語

根據(jù)上面的測試數(shù)據(jù),我繪制了下面這張實驗結果圖,可以更加直觀的看出不同方法帶來的性能差異。

從圖中可以看出,大部分的技巧所帶來的性能增幅還是比較可觀的,但也有少部分技巧的增幅較小(例如編號5、7、8,其中,第 8 條的兩種方法幾乎沒有差異)。

總結下來,我覺得其實就是下面這兩條原則:

1.盡量使用內置庫函數(shù)

內置庫函數(shù)由專業(yè)的開發(fā)人員編寫并經(jīng)過了多次測試,很多庫函數(shù)的底層是用C語言開發(fā)的。因此,這些函數(shù)總體來說是非常高效的(比如sort()、join()等),自己編寫的方法很難超越它們,還不如省省功夫,不要重復造輪子了,何況你造的輪子可能更差。所以,如果函數(shù)庫中已經(jīng)存在該函數(shù),就直接拿來用。

2.盡量使用優(yōu)秀的第三方庫

有很多優(yōu)秀的第三方庫,它們的底層可能是用 C 和 Fortran 來實現(xiàn)的,像這樣的庫用起來絕對不會吃虧,比如前文提到的 Numpy 和 Numba,它們帶來的提升都是非常驚人的。類似這樣的庫還有很多,比如Cython、PyPy等,這里我只是拋磚引玉。

其實加快 Python 代碼執(zhí)行速度的方法還有很多,比如避免使用全局變量、使用最新版本、使用合適的數(shù)據(jù)結構、利用if條件的惰性等等,我這里就不一一例舉了。這些方法都需要我們親身去實踐才會有深刻的感受和理解,但最根本的方法就是保持我們對編程的熱情和對最佳實踐的追求,這才是我們能不斷突破自我、勇攀高峰的不竭動力源泉!

以上就是詳解讓Python性能起飛的15個技巧的詳細內容,更多關于Python性能提升技巧的資料請關注腳本之家其它相關文章!

相關文章

最新評論