Python性能提升的方法有哪些

本篇内容介绍了“python性能提升的方法有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

时序分析

优化之前，首先要找到是哪部分代码拖慢了整个程序的运行。有时候程序的"瓶颈"不是很明显，如果找不到，以下是一些建议以供参考：

注意：这是一个计算e的x次幂的演示程序（出自Python文档）：

# slow_program.py  from decimal import*  defexp(x):      getcontext().prec +=2      i, lasts, s, fact, num =0, 0, 1, 1, 1      while s != lasts:          lasts = s          i +=1          fact *= i          num *= x          s += num / fact      getcontext().prec -=2      return+s  exp(Decimal(150))  exp(Decimal(400))  exp(Decimal(3000))

在GitHub上查看rawslow_program.py全部代码

最省力的“性能分析”

首先，最简单且最省力的解决方案是使用Unix的time命令： 

~ $ time python3.8  slow_program.py  real     0m11,058s  user     0m11,050s  sys      0m0,008s

在gitHub上查看rawbase_time.shell全部代码

如果只是给整个程序计时，它很有用，但还不足够……

最详细的性能分析

性能分析的另一方法是cProfile，从中能得到很大的信息量：

~ $ python3.8 -m  cProfile -s time slow_program.py           1297 function calls (1272 primitive  calls) in 11.081 seconds     Ordered by: internal time     ncalls   tottime  percall  cumtime   percall filename:lineno(function)          3    11.079    3.693   11.079     3.693 slow_program.py:4(exp)          1     0.000    0.000    0.002     0.002 {built-in method _imp.create_dynamic}        4/1     0.000    0.000   11.081    11.081 {built-in method builtins.exec}          6     0.000    0.000    0.000     0.000 {built-in method __new__ of type object at 0x9d12c0}          6     0.000    0.000    0.000     0.000 abc.py:132(__new__)         23     0.000    0.000    0.000     0.000 _weakrefset.py:36(__init__)        245     0.000    0.000    0.000     0.000 {built-in method builtins.getattr}          2     0.000    0.000    0.000     0.000 {built-in method marshal.loads}         10     0.000    0.000    0.000     0.000 <frozen importlib._bootstrap_external>:1233(find_spec)        8/4     0.000    0.000    0.000     0.000 abc.py:196(__subclasscheck__)         15     0.000    0.000    0.000     0.000 {built-in method posix.stat}          6     0.000    0.000    0.000     0.000 {built-in method builtins.__build_class__}          1     0.000    0.000    0.000     0.000 __init__.py:357(namedtuple)         48     0.000    0.000    0.000     0.000 <frozen importlib._bootstrap_external>:57(_path_join)         48     0.000    0.000    0.000     0.000 <frozen importlib._bootstrap_external>:59(<listcomp>)          1     0.000    0.000   11.081    11.081 slow_program.py:1(<module>)  ...

在GitHub上查看rawcprofile.shell全部代码

这里用cProfile模块和time参数运行测试脚本，以便按内部时间（cumtime）对行进行排序。从中可以得到很多信息，以上所列结果约为实际输出的10％。由此可见，exp函数就是拖慢程序的“罪魁祸首”（太神奇啦！），现在看看更详尽的时序和性能分析......

对特定函数计时

已经知道拖慢程序运行的函数，下一步可使用简单的修饰器，专门对该函数计时，不测量其余代码。如下所示：

deftimeit_wrapper(func):      @wraps(func)      defwrapper(*args, **kwargs):          start =  time.perf_counter()  # Alternatively, you  can use time.process_time()          funcfunc_return_val = func(*args, **kwargs)          end = time.perf_counter()          print( {0:<10}.{1:<8} : {2:<8} .fORMat(func.__module__, func.__name__, end - start))          return func_return_val      return wrapper

在GitHub上查看rawtimeit_decorator.py全部代码

该修饰器可以应用于功能测试，如下所示：

@timeit_wrapper  defexp(x):      ...  print( {0:<10}{1:<8}{2:^8} .format( module ,  function ,  time ))  exp(Decimal(150))  exp(Decimal(400))  exp(Decimal(3000))

在GitHub上查看rawtimeit_decorator_usage.py全部代码

输出如下： 

~ $ python3.8  slow_program.py  module     function   time     __main__  .exp       :0.003267502994276583  __main__  .exp       :0.038535295985639095  __main__  .exp       : 11.728486061969306

在GitHub上查看rawrun_with_timeit_decorator.shell全部代码

要考虑的一个问题是实际/想要测量的时间类型是什么。Time程序包提供了time.perf_counter和time.process_time。两者的区别是：perf_counter返回绝对值，其中包括Python程序进程未运行时的时间，因此可能会受计算机负载的影响；而process_time仅返回用户时间（不包括系统时间），这仅是程序的运行时间。

加快程序运行速度这是全文有趣的部分，关于如何加快Python的程序运行速度。我并没有列出一些可以奇妙解决性能问题的小技巧或代码段，而是涉及一般性的构想和策略，它们能极大地提高性能，某些情况下甚至能将性能提高30％。

使用内置数据类型

显而易见，内置数据类型运行很快，尤其是与自定义类型（例如树或链表）相比。主要是因为内置程序是用C语言实现的，远超过用Python编码的运行速度。

使用lru_cache缓存/记忆 

我已经在上一篇博文中讲过这块内容，但在此还是要用简单的示例说明：

import functools  import time  # caching up to 12  different results  @functools.lru_cache(maxsize=12)  defslow_func(x):      time.sleep(2)  # Simulate long computation      return x  slow_func(1)  # ... waiting for 2 sec before getting  result  slow_func(1)  # already cached - result returned  instantaneously!  slow_func(3)  # ... waiting for 2 sec before getting  result

在GitHub上查看rawlru_cache.py全部代码

以上函数使用time.sleep模拟大量运算。第一次使用参数1调用该函数时，返回结果需要2秒。再次调用时，结果已被缓存，因此会跳过函数主体并立即返回结果。更多内容请参见此处。

使用局部变量

这与在每个作用域中查找变量的速度有关。我用了“每个作用域”这个字眼，因为它不仅仅是“使用局部变量还是全局变量”的问题。实际上，即使在函数的局部变量（最快）、类级属性（如self.name-较慢）和全局变量（如导入的函数，time.time-最慢）之间，查找速度也有所不同。

可以通过运行无用的任务来提高性能，如下所示：

#  Example #1  classFastClass:      defdo_stuff(self):          temp =self.value  # this speeds up lookup in loop          for i inrange(10000):              ...  # Do something with `temp` here  #  Example #2  import random  deffast_function():      r = random.random      for i inrange(10000):          print(r())  # calling `r()` here, is faster than  global random.random()

在GitHub上查看rawlocal_vars.py全部代码

使用函数（Function）

这怎么和假想的不同？理论上调用函数不是会将更多的东西放到堆栈上，加大返回结果的负担吗？但实际上，使用函数确实能加快运行速度，这与前一点有关。将整个代码放在一个文件中而非函数中，它是全局变量而非局部变量，运行速度就会慢得多。因此，可以将整个代码包裹在main函数中并通过一次调用来加速代码，如下所示：

defmain():      ...  # All your previously global code  main()

在GitHub上查看rawglobal_vars.py全部代码

避免访问属性（Attribute）

可能拖慢程序的一个原因是使用点运算符（.）访问对象属性。该运算符通过使用__getattribute__方法触发了字典查找，使代码产生额外负担。那么，如何避免或减少属性访问？ 

#  Slow:  import re  defslow_func():      for i inrange(10000):          re.findall(regex, line)  # Slow!  #  Fast:  from re import findall  deffast_func():      for i inrange(10000):          findall(regex, line)  # Faster!

在GitHub上查看rawimports.py全部代码

当心使用字符串

在循环里使用格式符（％s）或.format（）时，字符串操作可能会变得非常慢。有没有更好的选择？Raymond Hettinger在最近发布的推文中提到：唯一应该使用的是f-string（格式化字符串常量），它是最易读、最简洁且最快捷的方法。根据这篇推文，下面列出了可用的方法（由快到慢）：

f {s}{t}   # Fast!  s +    + t     .join((s, t))   %s %s % (s, t)   {} {} .format(s, t)  Template( $s $t ).substitute(ss=s, tt=t)  # Slow!

在GitHub上查看rawstrings.py全部代码

本质上，生成器并没有变得更快，因为它在设计上允许延迟计算以节省内存而非节约时间。然而节省的内存也可以加快程序实际运行速度。怎么做？如果有一个很大的数据集且不使用生成器（迭代器），那么数据可能会溢出CPU的L1 cache（1级缓存），这将大大减慢内存的查找速度。

在性能方面，极重要的一点是：CPU可以将正在处理的所有数据尽可能地保存在缓存中。

“Python性能提升的方法有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！