本文共 3978 字，大约阅读时间需要 13 分钟。

Python代码加速运行的优化技巧

代码优化原则

在开始对 Python 代码进行优化之前，首先需要了解一些基本的优化原则。这些原则将帮助我们在不影响代码正确性的前提下，最大化地提升代码运行效率。

不要过早优化

很多开发者在编写代码时，总是急于进行性能优化。然而，过早地进行优化可能会导致以下问题：

• 忽视代码的正确性
• 在优化细节上耗费过多时间，而没有对整体性能进行全面评估
• 优化的代价可能超过效率提升的价值

因此，在对代码进行优化之前，确保代码能够正确运行是至关重要的。只有在代码的正确性得到了保证的情况下，才能进行针对性的优化。

权衡优化的代价

优化是有代价的。任何优化都可能带来开发时间或维护成本的增加。例如：

• 时间换空间：某些优化可能会使代码变得难以阅读
• 空间换时间：某些优化可能会占用更多的内存空间
• 开发代价：某些优化可能需要额外的开发工作

在进行优化时，需要权衡这些代价，选择最符合需求的优化方案。

不要优化无关紧要的部分

代码的优化不应该像微积分中的部分微调一样，盲目地对每一行代码进行优化。在实际应用中：

• 代码的运行速度主要取决于执行次数最多的那部分代码
• 对执行次数较少的代码进行优化，可能会带来微乎其微的性能提升
• 不必要的优化可能会使代码更加难以维护和理解

因此，在优化代码之前，先要通过性能分析工具，找出真正导致性能瓶颈的代码部分，再对这些部分进行优化。

---

避免全局变量

在 Python 中，全局变量和局部变量的访问速度存在显著差异。全局变量的访问速度较慢，主要原因在于：

• 全局变量的查找速度较慢，需要从程序的全局范围内搜索变量
• 局部变量的查找速度较快，只需在函数的局部范围内搜索

因此，将代码中的全局变量尽量转化为局部变量，可以显著提升运行效率。

示例

不推荐写法：

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

推荐写法：

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

通过将 math.sqrt 定义在局部变量中，可以将查找速度提升 15%-30%。

---

避免不必要的属性访问

在 Python 中，属性访问操作符（.）会触发特定的方法（如 __getattribute__() 和 __getattr__()），这些方法会对变量进行额外的解析和操作，增加运行时间。

示例

不推荐写法：

import math
def computeSqrt(size):
    result = []
    sqrt = math.sqrt
    for i in range(size):
        result.append(sqrt(i))
    return result
def main():
    size = 10000
    result = computeSqrt(size)
main()

推荐写法：

import math
def computeSqrt(size):
    result = []
    sqrt = math.sqrt
    append = result.append
    for i in range(size):
        append(sqrt(i))
    return result
def main():
    size = 10000
    result = computeSqrt(size)
main()

通过将 math.sqrt 和 list.append 赋值给局部变量，可以消除不必要的属性访问，提升运行效率。

---

避免不必要的抽象

在 Python 中，使用装饰器、属性访问器等对代码运行速度有一定的负面影响。这些机制会增加代码的执行时间，主要原因在于：

• 属性访问器（如 @property）会增加方法调用和内存分配的开销
• 描述器（如 @property.setter）会增加属性设置的开销

因此，只有在实际需要时，才应该使用这些抽象机制。

示例

不推荐写法：

class DemoClass:
    def __init__(self, value):
        self._value = value
    @property
    def value(self):
        return self._value
    @value.setter
    def value(self, x):
        self._value = x

推荐写法：

class DemoClass:
    def __init__(self, value):
        self.value = value

通过直接使用属性而不是装饰器，可以显著提升代码运行速度。

---

避免不必要的数据复制

在 Python 中，某些操作会导致不必要的数据复制，严重影响运行效率。以下是一些常见的优化方法：

不推荐写法：**

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]

推荐写法：

def main():
    size = 10000
    value_list = [x for x in range(size)]
    square_list = [x * x for x in value_list]

通过直接使用生成器表达式，减少了不必要的数据复制，提升了运行效率。

---

利用 if 条件的短路特性

在 Python 中，if 条件的短路特性可以用来优化代码运行速度。具体方法如下：

不推荐写法：**

from typing import List
def concatString(string_list):
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    result = ''
    abbreviations_count = 0
    for str_i in string_list:
        if str_i in abbreviations:
            result += str_i
    return result

推荐写法：

from typing import List
def concatString(string_list):
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    result = ''.join([str_i for str_i in string_list if str_i in abbreviations])
    return result

通过将 str_i in abbreviations 放在 if 条件的前面，可以充分利用短路特性，提升运行效率。

---

循环优化

在 Python 中，for 循环比 while 循环更高效。以下是一些优化循环的建议：

不推荐写法：**

def computeSum(size):
    sum_ = 0
    i = 0
    while i < size:
        sum_ += i
        i += 1
    return sum_

推荐写法：

def computeSum(size):
    return sum(range(size))

通过使用 sum(range(size))，可以直接利用内置函数实现隐式 for 循环，大大提升了运行效率。

---

使用 numba.jit

通过使用 numba.jit，可以将 Python 函数编译为机器码，显著提升运行效率。以下是一个示例：

推荐写法：

import numba
@numba.jit
def computeSum(size):
    sum_ = 0
    for i in range(size):
        sum_ += i
    return sum_

通过 @numba.jit 装饰，可以将函数编译为机器码，大大提升了运行效率。

---

数据结构的选择

在 Python 中选择合适的数据结构对性能有重要影响。以下是一些常用的优化方法：

• 列表（list）：适合需要频繁添加、删除元素的场景，使用 deque 替代 list 更为高效。
• 集合（set）：适合需要快速查找元素的场景，使用 bisect 模块可以加速查找。
• 堆（heapq）：适合需要快速获取极小值或极大值的场景。

通过合理选择数据结构，可以显著提升代码运行效率。

---

参考资料

• Python性能优化技巧
• 《Python cookbook》
• 《编写高质量代码》

转载地址：http://thofk.baihongyu.com/