加速 Python 代碼的八個優秀實用技巧
Python是目前世界上增長最快的編程語言之一，深受全球開發者的喜愛。其簡單語法和豐富的庫使得在各個領域都能得到廣泛應用，比如數據科學、機器學習、信號處理、數據可視化等。然而，Python在解決復雜問題時可能會顯得執行速度較慢。因此，本文將探討一些優化Python代碼的方法，以加速代碼運行。
1.使用內置函數和庫
Python標準庫和第三方庫（如NumPy、Pandas等）中的函數通常是用C或Cython編寫的，運行速度遠超純Python代碼。為了加速Python代碼，可以盡量使用這些庫中的向量化操作代替Python原生循環，特別是在處理數組和矩陣運算時。
舉個例子，計算Python列表中每個元素的平方。
import numpy as np
import time
# 定義一個Python列表
python_list = [1, 2, 3, 4, 5]
# 使用純Python循環計算平方的時間測試
def measure_time(function, argument):
start_time = time.time()
result = function(argument)
end_time = time.time()
return result, end_time - start_time
# 定義純Python循環計算平方的函數
def square_elements_python(lst):
squared_lst = []
for num in lst:
squared_lst.append(num ** 2)
return squared_lst
# 計算并輸出純Python循環方法執行時間和結果
python_squares, python_time = measure_time(square_elements_python, python_list)
print(f"純Python循環方法: {python_squares}, Time taken: {python_time} seconds")
# 轉換為NumPy數組并使用向量化操作
start_time = time.time()
numpy_array = np.array(python_list)
numpy_squares = numpy_array ** 2
end_time = time.time()
# 輸出NumPy向量化操作執行時間
numpy_time = end_time - start_time
print(f"NumPy向量化操作: {numpy_squares.tolist()}, Time taken: {numpy_time} seconds")輸出結果如下，由此可以看出NumPy的向量化操作在執行速度上遠超純Python循環法。這是因為NumPy內部對數組操作進行了高度優化，并利用C語言編寫的底層算法，極大地提高了處理效率。
純Python循環方法: [1, 4, 9, 16, 25], Time taken: 4.5299530029296875e-06 seconds
NumPy向量化操作: [1, 4, 9, 16, 25], Time taken: 0.00020122528076171875 seconds2.Numba JIT編譯
可以使用Numba庫進行即時（JIT）編譯，它可以將指定的Python函數轉換為高效機器碼，以提升執行速度。尤其適用于數值計算密集型代碼。
例如下面的代碼，sum_array函數被裝飾器@jit(nopython=True)標記后，Numba會對其進行即時編譯，將其轉換為機器碼以提升計算密集型任務的執行速度。
import numpy as np
from numba import jit
@jit(nopython=True)
def sum_array(arr: np.ndarray) -> float:
result = 0.0
for i in range(arr.shape[0]):
result += arr[i]
return result
arr = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
print(sum_array(arr))3.避免不必要的copy操作
盡可能在原地修改對象，而不是創建新對象。例如，使用列表的extend()方法而非"+"操作符進行合并，使用numpy數組的切片賦值而不是重新創建數組。例如：
# 避免：
list1 = [1, 2, 3]
list2 = [4, 5, 6]
new_list = list1 + list2
# 推薦：
list1 = [1, 2, 3]
list2 = [4, 5, 6]
# 這里不會創建新的列表對象，而是直接在原地擴展list1
list1.extend(list2)4.使用生成器表達式代替列表推導
當不需要一次性生成所有結果，而是逐個處理時，使用生成器表達式代替列表推導式可以節省內存，因為它不會立即創建完整列表。
例如假設有一個包含整數的列表，我們想要計算每個整數的平方并輸出結果。使用列表推導式的方法如下：
numbers = [1, 2, 3, 4, 5]
squared_numbers = [num ** 2 for num in numbers]
for squared_num in squared_numbers:
print(squared_num)輸出結果為：
1
4
9
16
25但是，如果我們只需要逐個處理每個平方數，而不需要將它們存儲在內存中，可以使用生成器表達式代替列表推導式：
numbers = [1, 2, 3, 4, 5]
squared_numbers = (num ** 2 for num in numbers)
for squared_num in squared_numbers:
print(squared_num)輸出結果與之前相同，但是使用生成器表達式可以節省內存，因為它不會一次性生成所有結果，而是逐個生成。
5.合理利用多線程或多進程
對于CPU密集型任務，Python的多線程受GIL限制，但對于IO密集型任務或是使用多核CPU處理CPU密集型任務時，可以通過multiprocessing庫開啟多進程來提升效率。
例如如下代碼定義了一個計算密集型函數cpu_bound_task，然后通過multiprocessing.Pool創建了與CPU核心數量相等的進程池，并用pool.map()方法將輸入列表中的任務分配給這些進程進行并行處理。
這樣，每個進程都有自己的內存空間和獨立GIL，從而可以充分利用多核處理器的能力提高執行效率。
import multiprocessing as mp
def cpu_bound_task(n):
# 模擬的CPU密集型計算任務
result = 0
for i in range(n):
result += i * i
return result
if __name__ == "__main__":
inputs = [1_000_000 + x for x in range(10)] # 多個需要處理的數據單元
with mp.Pool(processes=mp.cpu_count()) as pool: # 使用所有可用CPU核心數
results = pool.map(cpu_bound_task, inputs) # 將任務分配到各個進程中并行處理
print(f"Results: {results}")6.緩存計算結果
如果存在重復計算的情況，可以使用functools.lru_cache裝飾器來緩存函數的返回結果，避免重復計算。
如下示例使用Python標準庫中的functools.lru_cache裝飾器來緩存函數的結果，避免重復計算。
from functools import lru_cache
@lru_cache(maxsize=None) # 緩存所有結果，可以根據實際情況設置緩存大小
def expensive_computation(x):
# 假設這是一個計算成本很高的函數
print("Computing...")
return x ** x
# 第一次調用時會執行計算
result1 = expensive_computation(5)
# 第二次調用時會從緩存中獲取結果，不再執行計算
result2 = expensive_computation(5)
print(result1 == result2)第一次調用expensive_computation(5)時，執行計算并打印"Computing..."，然后返回計算結果25。第二次調用時，由于結果已被緩存，不再執行計算，直接返回上次計算得到的25。因此，result1 == result2的輸出是True。
7.利用異步IO
在處理大量IO操作時，如網絡請求、文件讀寫等，可以利用asyncio庫實現異步編程，最大化利用等待IO完成的時間進行其他任務的處理。
