Python是一种脚本语言，相比C/C++这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python的效率并没有想象中的那么夸张。本文对一些Python代码加速运行的技巧进行整理。

0.代码优化原则

本文会介绍不少的Python代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。

第一个基本原则是不要过早优化。很多人一开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。因此，优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前不要主次颠倒。

第二个基本原则是权衡优化的代价。优化是有代价的，想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外，开发代价也需要考虑。

第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化，这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢，首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化。在其他地方，一点时间上的损失没有什么影响。

1.避免全局变量

#不推荐写法。代码耗时：26.8秒

importmath

size=10000

forxinrange(size):

foryinrange(size):

z=math.sqrt(x)+math.sqrt(y)

许多程序员刚开始会用Python语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不少。通过将脚本语句放入到函数中，通常可带来15%-30%的速度提升。

#推荐写法。代码耗时：20.6秒

importmath

defmain():#定义到函数中，以减少全部变量使用

size=10000

forxinrange(size):

foryinrange(size):

z=math.sqrt(x)+math.sqrt(y)

main()

2.避免.

2.1避免模块和函数属性访问

#不推荐写法。代码耗时：14.5秒

importmath

defcomputeSqrt(size:int):

result=[]

foriinrange(size):

result.append(math.sqrt(i))

returnresult

defmain():

size=10000

for_inrange(size):

result=computeSqrt(size)

main()

每次使用.(属性访问操作符时)会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销。通过fromimport语句，可以消除属性访问。

#第一次优化写法。代码耗时：10.9秒

frommathimportsqrt

defcomputeSqrt(size:int):

result=[]

foriinrange(size):

result.append(sqrt(i))#避免math.sqrt的使用

returnresult

defmain():

size=10000

for_inrange(size):

result=computeSqrt(size)

main()

在第1节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行。

#第二次优化写法。代码耗时：9.9秒

importmath

defcomputeSqrt(size:int):

result=[]

sqrt=math.sqrt#赋值给局部变量

foriinrange(size):

result.append(sqrt(i))#避免math.sqrt的使用

returnresult

defmain():

size=10000

for_inrange(size):

result=computeSqrt(size)

main()

除了math.sqrt外，computeSqrt函数中还有.的存在，那就是调用list的append方法。通过将该方法赋值给一个局部变量，可以彻底消除computeSqrt函数中for循环内部的.使用。

#推荐写法。代码耗时：7.9秒

importmath

defcomputeSqrt(size:int):

result=[]

append=result.append

sqrt=math.sqrt#赋值给局部变量

foriinrange(size):

append(sqrt(i))#避免result.append和math.sqrt的使用

returnresult

defmain():

size=10000

for_inrange(size):

result=computeSqrt(size)

main()

2.2避免类内属性访问

#不推荐写法。代码耗时：10.4秒

importmath

fromtypingimportList

classDemoClass:

def__init__(self,value:int):

self._value=value

defcomputeSqrt(self,size:int)->List[float]:

result=[]

append=result.append

sqrt=math.sqrt

for_inrange(size):

append(sqrt(self._value))

returnresult

defmain():

size=10000

for_inrange(size):

demo_instance=DemoClass(size)

result=demo_instance.computeSqrt(size)

main()

避免.的原则也适用于类内属性，访问self._value的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度。

#推荐写法。代码耗时：8.0秒

importmath

fromtypingimportList

classDemoClass:

def__init__(self,value:int):

self._value=value

defcomputeSqrt(self,size:int)->List[float]:

result=[]

append=result.append

sqrt=math.sqrt

value=self._value

for_inrange(size):

append(sqrt(value))#避免self._value的使用

returnresult

defmain():

size=10000

for_inrange(size):

demo_instance=DemoClass(size)

demo_instance.computeSqrt(size)

main()

3.避免不必要的抽象

#不推荐写法，代码耗时：0.55秒

classDemoClass:

def__init__(self,value:int):

self.value=value

@property

defvalue(self)->int:

returnself._value

@value.setter

defvalue(self,x:int):

self._value=x

defmain():

size=1000000

foriinrange(size):

demo_instance=DemoClass(size)

value=demo_instance.value

demo_instance.value=i

main()

任何时候当你使用额外的处理层(比如装饰器、属性访问、描述器)去包装代码时，都会让代码变慢。大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用getter/setter函数对属性进行访问通常是C/C++程序员遗留下来的代码风格。如果真的没有必要，就使用简单属性。

#推荐写法，代码耗时：0.33秒

classDemoClass:

def__init__(self,value:int):

self.value=value#避免不必要的属性访问器

defmain():

size=1000000

foriinrange(size):

demo_instance=DemoClass(size)

value=demo_instance.value

demo_instance.value=i

main()

4.避免数据复制

4.1避免无意义的数据复制

#不推荐写法，代码耗时：6.5秒

defmain():

size=10000

for_inrange(size):

value=range(size)

value_list=[xforxinvalue]

square_list=[x*xforxinvalue_list]

main()

上面的代码中value_list完全没有必要，这会创建不必要的数据结构或复制。

#推荐写法，代码耗时：4.8秒

defmain():

size=10000

for_inrange(size):

value=range(size)

square_list=[x*xforxinvalue]#避免无意义的复制

main()

另外一种情况是对Python的数据共享机制过于偏执，并没有很好地理解或信任Python的内存模型，滥用copy.deepcopy()之类的函数。通常在这些代码中是可以去掉复制操作的。

4.2交换值时不使用中间变量

#不推荐写法，代码耗时：0.07秒

defmain():

size=1000000

for_inrange(size):

a=3

b=5

temp=a

a=b

b=temp

main()

上面的代码在交换值时创建了一个临时变量temp，如果不借助中间变量，代码更为简洁、且运行速度更快。

#推荐写法，代码耗时：0.06秒

defmain():

size=1000000

for_inrange(size):

a=3

b=5

a,bb=b,a#不借助中间变量

main()

4.3字符串拼接用join而不是+

#不推荐写法，代码耗时：2.6秒

importstring

fromtypingimportList

defconcatString(string_list:List[str])->str:

result=''

forstr_iinstring_list:

result+=str_i

returnresult

defmain():

string_list=list(string.ascii_letters*100)

for_inrange(10000):

result=concatString(string_list)

main()

当使用a+b拼接字符串时，由于Python中字符串是不可变对象，其会申请一块内存空间，将a和b分别复制到该新申请的内存空间中。因此，如果要拼接n个字符串，会产生n-1个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。而使用join()拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去。

#推荐写法，代码耗时：0.3秒

importstring

fromtypingimportList

defconcatString(string_list:List[str])->str:

return''.join(string_list)#使用join而不是+

defmain():

string_list=list(string.ascii_letters*100)

for_inrange(10000):

result=concatString(string_list)

main()

5.利用if条件的短路特性

#不推荐写法，代码耗时：0.05秒

fromtypingimportList

defconcatString(string_list:List[str])->str:

abbreviations={'cf.','e.g.','ex.','etc.','flg.','i.e.','Mr.','vs.'}

abbr_count=0

result=''

forstr_iinstring_list:

ifstr_iinabbreviations:

result+=str_i

returnresult

defmain():

for_inrange(10000):

string_list=['Mr.','Hat','is','Chasing','the','black','cat','.']

result=concatString(string_list)

main()

if条件的短路特性是指对ifaandb这样的语句，当a为False时将直接返回，不再计算b;对于ifaorb这样的语句，当a为True时将直接返回，不再计算b。因此，为了节约运行时间，对于or语句，应该将值为True可能性比较高的变量写在or前，而and应该推后。

#推荐写法，代码耗时：0.03秒

fromtypingimportList

defconcatString(string_list:List[str])->str:

abbreviations={'cf.','e.g.','ex.','etc.','flg.','i.e.','Mr.','vs.'}

abbr_count=0

result=''

forstr_iinstring_list:

ifstr_i[-1]=='.'andstr_iinabbreviations:#利用if条件的短路特性

result+=str_i

returnresult

defmain():

for_inrange(10000):

string_list=['Mr.','Hat','is','Chasing','the','black','cat','.']

result=concatString(string_list)

main()

6.循环优化

6.1用for循环代替while循环

#不推荐写法。代码耗时：6.7秒

defcomputeSum(size:int)->int:

sum_=0

i=0

whilei

sum_+=i

i+=1

returnsum_

defmain():

size=10000

for_inrange(size):

sum_=computeSum(size)

main()

Python的for循环比while循环快不少。

#推荐写法。代码耗时：4.3秒

defcomputeSum(size:int)->int:

sum_=0

foriinrange(size):#for循环代替while循环

sum_+=i

returnsum_

defmain():

size=10000

for_inrange(size):

sum_=computeSum(size)

main()

6.2使用隐式for循环代替显式for循环

针对上面的例子，更进一步可以用隐式for循环来替代显式for循环。

#推荐写法。代码耗时：1.7秒

defcomputeSum(size:int)->int:

returnsum(range(size))#隐式for循环代替显式for循环

defmain():

size=10000

for_inrange(size):

sum=computeSum(size)

main()

6.3减少内层for循环的计算

#不推荐写法。代码耗时：12.8秒

importmath

defmain():

size=10000

sqrt=math.sqrt

forxinrange(size):

foryinrange(size):

z=sqrt(x)+sqrt(y)

main()

上面的代码中sqrt(x)位于内侧for循环，每次训练过程中都会重新计算一次，增加了时间开销。

#推荐写法。代码耗时：7.0秒

importmath

defmain():

size=10000

sqrt=math.sqrt

forxinrange(size):

sqrtsqrt_x=sqrt(x)#减少内层for循环的计算

foryinrange(size):

z=sqrt_x+sqrt(y)

main()

7.使用numba.jit

我们沿用上面介绍过的例子，在此基础上使用numba.jit。numba可以将Python函数JIT编译为机器码执行，大大提高代码运行速度。关于numba的更多信息见下面的主页：http://numba.pydata.org/numba.pydata.org

#推荐写法。代码耗时：0.62秒

importnumba

@numba.jit

defcomputeSum(size:float)->int:

sum=0

foriinrange(size):

sum+=i

returnsum

defmain():

size=10000

for_inrange(size):

sum=computeSum(size)

main()

8.选择合适的数据结构

Python内置的数据结构如str,tuple,list,set,dict底层都是C实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。

list类似于C++中的std::vector，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之后销毁之前的内存空间，再插入新元素。

删除元素时操作类似，当已使用内存空间比预分配内存空间的一半还少时，会另外申请一块小内存，做一次元素复制，之后销毁原有大内存空间。

因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率不高。此时，应该考虑使用collections.deque。collections.deque是双端队列，同时具备栈和队列的特性，能够在两端进行O(1)复杂度的插入和删除操作。

list的查找操作也非常耗时。当需要在list频繁查找某些元素，或频繁有序访问这些元素时，可以使用bisect维护list对象有序并在其中进行二分查找，提升查找的效率。

另外一个常见需求是查找极小值或极大值，此时可以使用heapq模块将list转化为一个堆，使得获取最小值的时间复杂度是O(1)。

以上内容为大家介绍了如何提速优化python代码?，希望对大家有所帮助，如果想要了解更多Python相关知识，请关注千锋教育。http://www.mobiletrain.org/xwzx/

上一篇

Python 的重试机制

下一篇

学习Python可以做这些工作