给Python加速（性能加速的方法）

转译解读

首先提高代码的性能不能以改变代码功能为代价。

简而言之，按照原文说的：

• １．首先将代码写对
• ２．测试代码是否正确执行
• ３．如果代码效率不高就分析是哪个部分造成的。
• ４．优化这个部分
• ５．从第二步开始重复这个部分

详细的解读包括：

选择一个正确的数据结构。

这个说法深有体会。python中多变的数据结构可以造成很大的差异，使用一个set就可以事半功倍。甚至一个自己定义的数据结构，对于内存，运算速度，处理方式等都有很大的影响。

进行排序

我在项目中也遇到过，爬取的几百万的数据URL需要进行鉴别，哪些数据抓取了哪些没有，抓取的部分还有重复。使用if x in y这种格式，则需要o(m*n)的时间复杂度。而两边都对URL进行排序后，则可以使用两个指针轻松搞定。

示例中使用了operator　模块的itemgetter()　函数，进行了快速的分类，优雅而简洁。

n = 1
import operator
nlist.sort(key=operator.itemgetter(n))

字符串组合

编写大字符串的时候，不建议使用加号拼接字符串。使用join，%s(py3中使用fORMat方法)等官方的方法效果更好。

循环的使用

如果使用for循环进行简单而大量的操作，不妨试试map()函数，或者Python2.0中就已经有的list方法直接生成。或者使用迭代器进行循环的操作。

避免使用点方法

如上，需要使用list.append()方法的时候，这些方法都是需要在每次调用的时候重新确定（原文reevaluated）的，所以可以提前代替，如re.compile()方法。

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

使用局部变量

Version Time (seconds)
Basic loop 3.47
Eliminate dots 2.45
Local variable & no dots 1.79
Using map function 0.54

可见使用map具有巨大的优势。

初始化字典元素

首先在头部写明　import　声明

数据的聚合

减少执行语句的数量

Python中有一个定期检查线程是否该运行的函数。这个函数的大量调用会影响性能。最好我们可以设置这个值为较大的数，或者使用少的执行语句而以空间换时间。

Python不是C

使用xrange而不是range

对代码进行优化

使用profile

import profile
profile.run('main()')