[[225525]]

優(yōu)化算法時(shí)間復(fù)雜度

算法的時(shí)間復(fù)雜度對(duì)程序的執(zhí)行效率影響***，在 Python 中可以通過選擇合適的數(shù)據(jù)結(jié)構(gòu)來優(yōu)化時(shí)間復(fù)雜度，如 list 和 set 查找某一個(gè)元素的時(shí)間復(fù)雜度分別是O(n)和O(1)。不同的場(chǎng)景有不同的優(yōu)化方式，總得來說，一般有分治，分支界限，貪心，動(dòng)態(tài)規(guī)劃等思想。

減少冗余數(shù)據(jù)

如用上三角或下三角的方式去保存一個(gè)大的對(duì)稱矩陣。在0元素占大多數(shù)的矩陣?yán)锸褂孟∈杈仃嚤硎尽?/p>

合理使用 copy 與 deepcopy

對(duì)于 dict 和 list 等數(shù)據(jù)結(jié)構(gòu)的對(duì)象，直接賦值使用的是引用的方式。而有些情況下需要復(fù)制整個(gè)對(duì)象，這時(shí)可以使用 copy 包里的 copy 和 deepcopy，這兩個(gè)函數(shù)的不同之處在于后者是遞歸復(fù)制的。效率也不一樣：（以下程序在 ipython 中運(yùn)行） 

import copy  
a = range(100000)  
%timeit -n 10 copy.copy(a) # 運(yùn)行10次 copy.copy(a)  
%timeit -n 10 copy.deepcopy(a)  
10 loops, best of 3: 1.55 ms per loop  
10 loops, best of 3: 151 ms per loop 

timeit 后面的-n表示運(yùn)行的次數(shù)，后兩行對(duì)應(yīng)的是兩個(gè) timeit 的輸出，下同。由此可見后者慢一個(gè)數(shù)量級(jí)。

使用 dict 或 set 查找元素

python dict 和 set 都是使用 hash 表來實(shí)現(xiàn)(類似c++11標(biāo)準(zhǔn)庫中unordered_map)，查找元素的時(shí)間復(fù)雜度是O(1) 

a = range(1000)  
s = set(a)  
d = dict((i,1) for i in a)  
%timeit -n 10000 100 in d 
%timeit -n 10000 100 in s10000 loops, best of 3: 43.5 ns per loop10000 loops, best of 3: 49.6 ns per loop 

dict 的效率略高(占用的空間也多一些)。

合理使用生成器（generator）和 yield 

%timeit -n 100 a = (i for i in range(100000))  
%timeit -n 100 b = [i for i in range(100000)]100 loops, best of 3: 1.54 ms per loop100 loops, best of 3: 4.56 ms per loop  

使用()得到的是一個(gè) generator 對(duì)象，所需要的內(nèi)存空間與列表的大小無關(guān)，所以效率會(huì)高一些。在具體應(yīng)用上，比如 set(i for i in range(100000))會(huì)比 set([i for i in range(100000)])快。

但是對(duì)于需要循環(huán)遍歷的情況： 

%timeit -n 100 a = (i for i in range(100000))  
%timeit -n 100 b = [i for i in range(100000)]100 loops, best of 3: 1.54 ms per loop100 loops, best of 3: 4.56 ms per loop  

后者的效率反而更高，但是如果循環(huán)里有 break,用 generator 的好處是顯而易見的。yield 也是用于創(chuàng)建 generator： 

def yield_func(ls): 
 for 
 i in ls: 
       yield i+1  
def not_yield_func(ls):  
   return [i+1 for i in ls]  
ls = range(1000000)  
%timeit -n 10 for i in yield_func(ls):pass  
%timeit -n 10 for i in not_yield_func(ls):pass  
10 loops, best of 3: 63.8 ms per loop  
10 loops, best of 3: 62.9 ms per loop 

對(duì)于內(nèi)存不是非常大的 list，可以直接返回一個(gè) list，但是可讀性 yield 更佳(人個(gè)喜好)。

python2.x 內(nèi)置 generator 功能的有 xrange 函數(shù)、itertools 包等。

優(yōu)化循環(huán)

循環(huán)之外能做的事不要放在循環(huán)內(nèi)，比如下面的優(yōu)化可以快一倍： 

a = range(10000)  
size_a = len(a)  
%timeit -n 1000 for i in a: k = len(a)  
%timeit -n 1000 for i in a: k = size_a  
1000 loops, best of 3: 569 µs per loop  
1000 loops, best of 3: 256 µs per loop  

優(yōu)化包含多個(gè)判斷表達(dá)式的順序

對(duì)于 and，應(yīng)該把滿足條件少的放在前面，對(duì)于 or，把滿足條件多的放在前面。如： 

a = range(2000)  
%timeit -n 100 [i for i in a if 10 < i < 20 or 1000 < i < 2000]  
%timeit -n 100 [i for i in a if 1000 < i < 2000 or 100 < i < 20]     
%timeit -n 100 [i for i in a if i % 2 == 0 and i > 1900]  
%timeit -n 100 [i for i in a if i > 1900 and i % 2 == 0]  
100 loops, best of 3: 287 µs per loop 
100 loops, best of 3: 214 µs per loop  
100 loops, best of 3: 128 µs per loop  
100 loops, best of 3: 56.1 µs per loop  

使用 join 合并迭代器中的字符串 

In [1]: %%timeit
   ...: s = ''  
  ...: for i in a:  
  ...:         s += i  
  ...:10000 loops, best of 3: 59.8 µs per loopIn [2]: %%timeit  
s = ''.join(a)  
  ...:100000 loops, best of 3: 11.8 µs per loop 

join 對(duì)于累加的方式，有大約5倍的提升。

選擇合適的格式化字符方式 

s1, s2 = 'ax', 'bx'  
%timeit -n 100000 'abc%s%s' % (s1, s2)  
%timeit -n 100000 'abc{0}{1}'.format(s1, s2) 
%timeit -n 100000 'abc' + s1 + s2   
100000 loops, best of 3: 183 ns per loop  
100000 loops, best of 3: 169 ns per loop  
100000 loops, best of 3: 103 ns per loop  

不借助中間變量交換兩個(gè)變量的值 

In [3]: %%timeit -n 10000  
   a,b=1,2  
  ....: c=a;a=b;b=c; 
  ....:10000 loops, best of 3: 172 ns per loop  
In [4]: %%timeit -n 10000 
 a,b=1,2  
a,b=b,a 
  ....:  
10000 loops, best of 3: 86 ns per loop  

使用a,b=b,a而不是c=a;a=b;b=c;來交換a,b的值，可以快1倍以上。

使用 if is 

a = range(10000)  
%timeit -n 100 [i for i in a if i == True]  
%timeit -n 100 [i for i in a if i is True]  
100 loops, best of 3: 531 µs per loop  
100 loops, best of 3: 362 µs per loop 

使用 if is True 比 if == True 將近快一倍。

使用級(jí)聯(lián)比較x < y < z 

x, y, z = 1,2,3  
%timeit -n 1000000 if x < y < z:pass 
%timeit -n 1000000 if x < y and y < z:pass   
1000000 loops, best of 3: 101 ns per loop  
1000000 loops, best of 3: 121 ns per loop  

x < y < z效率略高，而且可讀性更好。

while 1 比 while True 更快 

def while_1():  
   n = 100000  
   while 1:  
       n -= 1  
       if n <= 0: break  
def while_true(): 
   n = 100000 
    while True:  
       n -= 1  
       if n <= 0: break  
 m, n = 1000000, 1000000  
%timeit -n 100 while_1()  
%timeit -n 100 while_true()  
100 loops, best of 3: 3.69 ms per loop  
100 loops, best of 3: 5.61 ms per loop 

while 1 比 while true 快很多，原因是在 python2.x 中，True 是一個(gè)全局變量，而非關(guān)鍵字。

使用**而不是 pow 

%timeit -n 10000 c = pow(2,20)  
%timeit -n 10000 c = 2**2010000 loops, best of 3: 284 ns per loop10000 loops, best of 3: 16.9 ns per loop  

**就是快10倍以上！

使用 cProfile, cStringIO 和 cPickle 等用c實(shí)現(xiàn)相同功能（分別對(duì)應(yīng)profile, StringIO, pickle）的包 

import cPickle  
import pickle  
a = range(10000)  
%timeit -n 100 x = cPickle.dumps(a)  
%timeit -n 100 x = pickle.dumps(a)  
100 loops, best of 3: 1.58 ms per loop 
100 loops, best of 3: 17 ms per loop  

由c實(shí)現(xiàn)的包，速度快10倍以上！

使用***的反序列化方式

下面比較了 eval, cPickle, json 方式三種對(duì)相應(yīng)字符串反序列化的效率： 

import json  
import cPickle 
 a = range(10000)  
s1 = str(a)  
s2 = cPickle.dumps(a) 
 s3 = json.dumps(a)  
%timeit -n 100 x = eval(s1) 
%timeit -n 100 x = cPickle.loads(s2)  
%timeit -n 100 x = json.loads(s3) 
 100 loops, best of 3: 16.8 ms per loop  
100 loops, best of 3: 2.02 ms per loop  
100 loops, best of 3: 798 µs per loop  

可見 json 比 cPickle 快近3倍，比 eval 快20多倍。

使用C擴(kuò)展(Extension)

目前主要有 CPython(python最常見的實(shí)現(xiàn)的方式)原生API, ctypes,Cython，cffi三種方式，它們的作用是使得 Python 程序可以調(diào)用由C編譯成的動(dòng)態(tài)鏈接庫，其特點(diǎn)分別是：

CPython 原生 API: 通過引入 Python.h 頭文件，對(duì)應(yīng)的C程序中可以直接使用Python 的數(shù)據(jù)結(jié)構(gòu)。實(shí)現(xiàn)過程相對(duì)繁瑣，但是有比較大的適用范圍。

ctypes: 通常用于封裝(wrap)C程序，讓純 Python 程序調(diào)用動(dòng)態(tài)鏈接庫（Windows 中的 dll 或 Unix 中的 so 文件）中的函數(shù)。如果想要在 python 中使用已經(jīng)有C類庫，使用 ctypes 是很好的選擇，有一些基準(zhǔn)測(cè)試下，python2+ctypes 是性能***的方式。

Cython: Cython 是 CPython 的超集，用于簡(jiǎn)化編寫C擴(kuò)展的過程。Cython 的優(yōu)點(diǎn)是語法簡(jiǎn)潔，可以很好地兼容 numpy 等包含大量C擴(kuò)展的庫。Cython 的使得場(chǎng)景一般是針對(duì)項(xiàng)目中某個(gè)算法或過程的優(yōu)化。在某些測(cè)試中，可以有幾百倍的性能提升。

cffi: cffi 的就是 ctypes 在 pypy（詳見下文）中的實(shí)現(xiàn)，同進(jìn)也兼容 CPython。cffi提供了在 python 使用C類庫的方式，可以直接在 python 代碼中編寫C代碼，同時(shí)支持鏈接到已有的C類庫。

使用這些優(yōu)化方式一般是針對(duì)已有項(xiàng)目性能瓶頸模塊的優(yōu)化，可以在少量改動(dòng)原有項(xiàng)目的情況下大幅度地提高整個(gè)程序的運(yùn)行效率。

并行編程

因?yàn)?GIL 的存在，Python 很難充分利用多核 CPU 的優(yōu)勢(shì)。但是，可以通過內(nèi)置的模塊 multiprocessing 實(shí)現(xiàn)下面幾種并行模式：

多進(jìn)程：對(duì)于 CPU 密集型的程序，可以使用 multiprocessing 的 Process,Pool 等封裝好的類，通過多進(jìn)程的方式實(shí)現(xiàn)并行計(jì)算。但是因?yàn)檫M(jìn)程中的通信成本比較大，對(duì)于進(jìn)程之間需要大量數(shù)據(jù)交互的程序效率未必有大的提高。

多線程：對(duì)于 IO 密集型的程序，multiprocessing.dummy 模塊使用 multiprocessing 的接口封裝 threading，使得多線程編程也變得非常輕松(比如可以使用 Pool 的 map 接口，簡(jiǎn)潔高效)。

分布式：multiprocessing 中的 Managers 類提供了可以在不同進(jìn)程之共享數(shù)據(jù)的方式，可以在此基礎(chǔ)上開發(fā)出分布式的程序。

不同的業(yè)務(wù)場(chǎng)景可以選擇其中的一種或幾種的組合實(shí)現(xiàn)程序性能的優(yōu)化。

終級(jí)大殺器：PyPy

PyPy 是用 RPython(CPython 的子集)實(shí)現(xiàn)的 Python，根據(jù)官網(wǎng)的基準(zhǔn)測(cè)試數(shù)據(jù)，它比 CPython 實(shí)現(xiàn)的 Python 要快6倍以上。快的原因是使用了 Just-in-Time(JIT)編譯器，即動(dòng)態(tài)編譯器，與靜態(tài)編譯器(如gcc,javac等)不同，它是利用程序運(yùn)行的過程的數(shù)據(jù)進(jìn)行優(yōu)化。由于歷史原因，目前 pypy 中還保留著 GIL，不過正在進(jìn)行的 STM 項(xiàng)目試圖將 PyPy 變成沒有 GIL 的 Python。

如果 python 程序中含有C擴(kuò)展(非cffi的方式)，JIT 的優(yōu)化效果會(huì)大打折扣，甚至比 CPython 慢（比 Numpy）。所以在 PyPy 中***用純 Python 或使用 cffi 擴(kuò)展。

隨著STM，Numpy 等項(xiàng)目的完善，相信 PyPy 將會(huì)替代 CPython。

使用性能分析工具

除了上面在 ipython 使用到的 timeit 模塊，還有 cProfile。cProfile 的使用方式也非常簡(jiǎn)單： python -m cProfile filename.py，filename.py 是要運(yùn)行程序的文件名，可以在標(biāo)準(zhǔn)輸出中看到每一個(gè)函數(shù)被調(diào)用的次數(shù)和運(yùn)行的時(shí)間，從而找到程序的性能瓶頸，然后可以有針對(duì)性地優(yōu)化。

參考

[1] http://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/

[2] http://maxburstein.com/blog/speeding-up-your-python-code/