本文主要分享如何提升Python性能的幾個使用方法! 

時序分析

優化之前，首先要找到是哪部分代碼拖慢了整個程序的運行。有時候程序的"瓶頸"不是很明顯，如果找不到，以下是一些建議以供參考： 

注意：這是一個計算e的x次冪的演示程序（出自Python文檔）： 

# 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全部代碼

最省力的“性能分析”

首先，最簡單且最省力的解決方案是使用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全部代碼

如果只是給整個程序計時，它很有用，但還不足夠…… 

最詳細的性能分析

性能分析的另一方法是cProfile，從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全部代碼

這里用cProfile模塊和time參數運行測試腳本，以便按內部時間（cumtime）對行進行排序。從中可以得到很多信息，以上所列結果約為實際輸出的10％。由此可見，exp函數就是拖慢程序的“罪魁禍首”（太神奇啦！），現在看看更詳盡的時序和性能分析...... 

對特定函數計時

已經知道拖慢程序運行的函數，下一步可使用簡單的修飾器，專門對該函數計時，不測量其余代碼。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全部代碼

該修飾器可以應用于功能測試，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全部代碼

輸出如下：  

~ $ 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全部代碼

要考慮的一個問題是實際/想要測量的時間類型是什么。Time程序包提供了time.perf_counter和time.process_time。兩者的區別是：perf_counter返回絕對值，其中包括Python程序進程未運行時的時間，因此可能會受計算機負載的影響；而process_time僅返回用戶時間（不包括系統時間），這僅是程序的運行時間。 

加快程序運行速度

[[314114]]

圖源：Unsplash

這是全文有趣的部分，關于如何加快Python的程序運行速度。我并沒有列出一些可以奇妙解決性能問題的小技巧或代碼段，而是涉及一般性的構想和策略，它們能極大地提高性能，某些情況下甚至能將性能提高30％。 

使用內置數據類型

顯而易見，內置數據類型運行很快，尤其是與自定義類型（例如樹或鏈表）相比。主要是因為內置程序是用C語言實現的，遠超過用Python編碼的運行速度。 

使用lru_cache緩存/記憶 

我已經在上一篇博文中講過這塊內容，但在此還是要用簡單的示例說明： 

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全部代碼

以上函數使用time.sleep模擬大量運算。第一次使用參數1調用該函數時，返回結果需要2秒。再次調用時，結果已被緩存，因此會跳過函數主體并立即返回結果。更多內容請參見此處。 

使用局部變量

這與在每個作用域中查找變量的速度有關。我用了“每個作用域”這個字眼，因為它不僅僅是“使用局部變量還是全局變量”的問題。實際上，即使在函數的局部變量（最快）、類級屬性（如self.name-較慢）和全局變量（如導入的函數，time.time-最慢）之間，查找速度也有所不同。 

可以通過運行無用的任務來提高性能，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全部代碼

使用函數（Function）

這怎么和假想的不同？理論上調用函數不是會將更多的東西放到堆棧上，加大返回結果的負擔嗎？但實際上，使用函數確實能加快運行速度，這與前一點有關。將整個代碼放在一個文件中而非函數中，它是全局變量而非局部變量，運行速度就會慢得多。因此，可以將整個代碼包裹在main函數中并通過一次調用來加速代碼，如下所示： 

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

在GitHub上查看rawglobal_vars.py全部代碼

避免訪問屬性（Attribute）

可能拖慢程序的一個原因是使用點運算符（.）訪問對象屬性。該運算符通過使用__getattribute__方法觸發了字典查找，使代碼產生額外負擔。那么，如何避免或減少屬性訪問？  

#  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全部代碼

當心使用字符串

在循環里使用格式符（％s）或.format（）時，字符串操作可能會變得非常慢。有沒有更好的選擇？Raymond Hettinger在最近發布的推文中提到：唯一應該使用的是f-string（格式化字符串常量），它是最易讀、最簡潔且最快捷的方法。根據這篇推文，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全部代碼

本質上，生成器并沒有變得更快，因為它在設計上允許延遲計算以節省內存而非節約時間。然而節省的內存也可以加快程序實際運行速度。怎么做？如果有一個很大的數據集且不使用生成器（迭代器），那么數據可能會溢出CPU的L1 cache（1級緩存），這將大大減慢內存的查找速度。 

在性能方面，極重要的一點是：CPU可以將正在處理的所有數據盡可能地保存在緩存中。

[[314115]]

圖源：Unsplash

結語 

優化的首要規則就是“不優化”。 

若真的有必要優化，那我希望這些技巧會有所幫助。 

但是，優化代碼時一定要小心，因為優化的結果可能是代碼難以閱讀進而難以維護，這就得不償失了。 

最后，希望大家能搭上python號火箭，編碼越來越快！