如何讓Python代碼加速運行(提升 效率/速度)？

資料來源: https://mp.weixin.qq.com/s?__biz=MzAxMTkwODIyNA==&mid=2247502616&idx=2&sn=c739a9c63a9812708e9d01d9748b4c4f&chksm=9bbb6ef7accce7e169d106e2444753161c259f8e5308c64eb6c9426bcbfeb7d439d353c568ec&scene=126&sessionid=1599007010&key=360754e56e0333191e5c1545e0e78f2d77ae66a7285ffa4305d6a680a90528783aa68027fb73b61969b21f3f4f7dbea4da596f5a9b80dc457051d7d1c21a28345986f6d8711740d9e617b77cba19b3e9e0f3e929b92bb922f92d03db24595dea2d15e04a1e5b90a1754622f66e8363c072de14c748af8534fc7834b3b898e447&ascene=1&uin=MjIwODk2NDgxNw%3D%3D&devicetype=Windows+10+x64&version=62090529&lang=zh_TW&exportkey=AlSmm7Lwo2oow5OvmkLREGY%3D&pass_ticket=rzB%2BFyuWniSdfKNz0bhx0ymCfjC9zc4TjaOg6yfFp1Mu%2FPfr2KFNVhI0ybKmfzDT&wx_header=0

0. 代碼優化原則

    本文會介紹不少的Python 代碼加速運行的技巧。在深入代碼優化細節之前，需要了解一些代碼優化基本原則。

    第一個基本原則是不要過早優化。很多人一開始寫代碼就奔著性能優化的目標，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優化的前提是代碼能正常工作。過早地進行優化可能會忽視對總體性能指標的把握，在得到全局結果前不要主次顛倒。

    第二個基本原則是權衡優化的代價。優化是有代價的，想解決所有性能的問題是幾乎不可能的。通常面臨的選擇是時間換空間或空間換時間。另外，開發代價也需要考慮。

    第三個原則是不要優化那些無關緊要的部分。如果對代碼的每一部分都去優化，這些修改會使代碼難以閱讀和理解。如果你的代碼運行速度很慢，首先要找到代碼運行慢的位置，通常是內部循環，專注於運行慢的地方進行優化。在其他地方，一點時間上的損失沒有什麼影響。

1. 避免全局變量

# 不推荐写法。代码耗时：26.8秒

import math

size = 10000
for x in range(size):
    for y in range(size):
        z = math.sqrt(x) + math.sqrt(y)

    許多程序員剛開始會用Python 語言寫一些簡單的腳本，當編寫腳本時，通常習慣了直接將其寫為全局變量，例如上面的代碼。但是，由於全局變量和局部變量實現方式不同，定義在全局範圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通常可帶來15% – 30% 的速度提升。

# 推荐写法。代码耗时：20.6秒

import math

def main():  # 定义到函数中，以减少全部变量使用
    size = 10000
    for x in range(size):
        for y in range(size):
            z = math.sqrt(x) + math.sqrt(y)

main()

2. 避免.（屬性訪問操作符）

2.1 避免模塊和函數屬性訪問

# 不推荐写法。代码耗时：14.5秒

import math

def computeSqrt(size: int):
    result = []
    for i in range(size):
        result.append(math.sqrt(i))
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

    每次使用.（屬性訪問操作符時）會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。通過from import語句，可以消除屬性訪問。

# 第一次优化写法。代码耗时：10.9秒

from math import sqrt

def computeSqrt(size: int):
    result = []
    for i in range(size):
        result.append(sqrt(i))  # 避免math.sqrt的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

    在第1 節中我們講到，局部變量的查找會比全局變量更快，因此對於頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運行。

# 第二次优化写法。代码耗时：9.9秒

import math

def computeSqrt(size: int):
    result = []
    sqrt = math.sqrt  # 赋值给局部变量
    for i in range(size):
        result.append(sqrt(i))  # 避免math.sqrt的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

    除了math.sqrt外，computeSqrt函數中還有.的存在，那就是調用list的append方法。通過將該方法賦值給一個局部變量，可以徹底消除computeSqrt函數中for循環內部的.使用。

# 推荐写法。代码耗时：7.9秒

import math

def computeSqrt(size: int):
    result = []
    append = result.append
    sqrt = math.sqrt    # 赋值给局部变量
    for i in range(size):
        append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

2.2 避免類內屬性訪問

# 不推荐写法。代码耗时：10.4秒

import math
from typing import List

class DemoClass:
    def __init__(self, value: int):
        self._value = value
    
    def computeSqrt(self, size: int) -> List[float]:
        result = []
        append = result.append
        sqrt = math.sqrt
        for _ in range(size):
            append(sqrt(self._value))
        return result

def main():
    size = 10000
    for _ in range(size):
        demo_instance = DemoClass(size)
        result = demo_instance.computeSqrt(size)

main()

    避免.的原則也適用於類內屬性，訪問self._value的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。

# 推荐写法。代码耗时：8.0秒
import math
from typing import List

class DemoClass:
    def __init__(self, value: int):
        self._value = value
    
    def computeSqrt(self, size: int) -> List[float]:
        result = []
        append = result.append
        sqrt = math.sqrt
        value = self._value
        for _ in range(size):
            append(sqrt(value))  # 避免 self._value 的使用
        return result

def main():
    size = 10000
    for _ in range(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
class DemoClass:
    def __init__(self, value: int):
        self.value = value

    @property
    def value(self) -> int:
        return self._value

    @value.setter
    def value(self, x: int):
        self._value = x

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

    任何時候當你使用額外的處理層（比如裝飾器、屬性訪問、描述器）去包裝代碼時，都會讓代碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用getter/setter函數對屬性進行訪問通常是C/C++ 程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。

# 推荐写法，代码耗时：0.33秒
class DemoClass:
    def __init__(self, value: int):
        self.value = value  # 避免不必要的属性访问器

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

4. 避免數據複製

4.1 避免無意義的數據複製

# 不推荐写法，代码耗时：6.5秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        value_list = [x for x in value]
        square_list = [x * x for x in value_list]

main()

    上面的代碼中value_list完全沒有必要，這會創建不必要的數據結構或複制。

# 推荐写法，代码耗时：4.8秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        square_list = [x * x for x in value]  # 避免无意义的复制

main()

    另外一種情況是對Python 的數據共享機製過於偏執，並沒有很好地理解或信任Python 的內存模型，濫用copy.deepcopy()之類的函數。通常在這些代碼中是可以去掉複製操作的。

4.2 交換值時不使用中間變量

# 不推荐写法，代码耗时：0.07秒
def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        temp = a
        a = b
        b = temp

main()

    上面的代碼在交換值時創建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運行速度更快。

# 推荐写法，代码耗时：0.06秒
def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        a, b = 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
import string
from typing import List

def concatString(string_list: List[str]) -> str:
    result = ''
    for str_i in string_list:
        result += str_i
    return result

def main():
    string_list = list(string.ascii_letters * 100)
    for _ in range(10000):
        result = concatString(string_list)

main()

    當使用a + b拼接字符串時，由於Python 中字符串是不可變對象，其會申請一塊內存空間，將a和b分別複製到該新申請的內存空間中。因此，如果要拼接 個字符串，會產生 個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。而使用join()拼接字符串時，會首先計算出需要申請的總的內存空間，然後一次性地申請所需內存，並將每個字符串元素複製到該內存中去。

# 推荐写法，代码耗时：0.3秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
    return ''.join(string_list)  # 使用 join 而不是 +

def main():
    string_list = list(string.ascii_letters * 100)
    for _ in range(10000):
        result = concatString(string_list)

main()

5. 利用if條件的短路特性

# 不推荐写法，代码耗时：0.05秒
from typing import List

def concatString(string_list: List[str]) -> str:
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    abbr_count = 0
    result = ''
    for str_i in string_list:
        if str_i in abbreviations:
            result += str_i
    return result

def main():
    for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()

    if 條件的短路特性是指對if a and b這樣的語句， 當a為False時將直接返回，不再計算b；對於if a or b這樣的語句，當a為True時將直接返回，不再計算b。因此， 為了節約運行時間，對於or語句，應該將值為True可能性比較高的變量寫在or前，而and應該推後。

# 推荐写法，代码耗时：0.03秒

from typing import List

def concatString(string_list: List[str]) -> str:
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    abbr_count = 0
    result = ''
    for str_i in string_list:
        if str_i[-1] == '.' and str_i in abbreviations:  # 利用 if 条件的短路特性
            result += str_i
    return result

def main():
    for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()

6. 循環優化

6.1 用for循環代替while循環

# 不推荐写法。代码耗时：6.7秒
def computeSum(size: int) -> int:
    sum_ = 0
    i = 0
    while i < size:
        sum_ += i
        i += 1
    return sum_

def main():
    size = 10000
    for _ in range(size):
        sum_ = computeSum(size)

main()

    Python 的for循環比while循環快不少。

# 推荐写法。代码耗时：4.3秒
def computeSum(size: int) -> int:
    sum_ = 0
    for i in range(size):  # for 循环代替 while 循环
        sum_ += i
    return sum_

def main():
    size = 10000
    for _ in range(size):
        sum_ = computeSum(size)

main()

6.2 使用隱式for循環代替顯式for循環

    針對上面的例子，更進一步可以用隱式for循環來替代顯式for循環

# 推荐写法。代码耗时：1.7秒
def computeSum(size: int) -> int:
    return sum(range(size))  # 隐式 for 循环代替显式 for 循环

def main():
    size = 10000
    for _ in range(size):
        sum = computeSum(size)

main()

6.3 減少內層for循環的計算

# 不推荐写法。代码耗时：12.8秒
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        for y in range(size):
            z = sqrt(x) + sqrt(y)

main()

    上面的代碼中sqrt(x)位於內側for循環， 每次訓練過程中都會重新計算一次，增加了時間開銷。

# 推荐写法。代码耗时：7.0秒

import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        sqrt_x = sqrt(x)  # 减少内层 for 循环的计算
        for y in range(size):
            z = sqrt_x + sqrt(y)

main()

7. 使用numba.jit

    我們沿用上面介紹過的例子，在此基礎上使用numba.jit。numba可以將Python 函數JIT 編譯為機器碼執行，大大提高代碼運行速度。關於numba的更多信息見下面的主頁：

http://numba.pydata.org/numba.pydata.org

# 推荐写法。代码耗时：0.62秒

import numba

@numba.jit
def computeSum(size: float) -> int:
    sum = 0
    for i in range(size):
        sum += i
    return sum

def main():
    size = 10000
    for _ in range(size):
        sum = computeSum(size)

main()