干货让Python性能起飞的15个技巧，你知道几个呢？

　　前言
　　Python 一直以来被大家所诟病的一点就是执行速度慢，但不可否认的是 Python 依然是我们学习和工作中的一大利器。本文总结了15个tips有助于提升 Python 执行速度、优化性能。 目录如何测量程序的执行时间1.使用map()进行函数映射2.使用set()求交集3.使用sort()或sorted()排序4.使用collections.Counter()计数5.使用列表推导6.使用join()连接字符串7.使用x,y=y,x交换变量8.使用while1取代whileTrue9.使用装饰器缓存10.减少点运算符(.)的使用11.使用for循环取代while循环12.使用Numba.jit加速计算13.使用Numpy矢量化数组14.使用in检查列表成员15.使用itertools库迭代如何测量程序的执行时间
　　关于 Python 如何精确地测量程序的执行时间，这个问题看起来简单其实很复杂，因为程序的执行时间受到很多因素的影响，例如操作系统、Python 版本以及相关硬件（CPU 性能、内存读写速度）等。在同一台电脑上运行相同版本的语言时，上述因素就是确定的了，但是程序的睡眠时间依然是变化的，且电脑上正在运行的其他程序也会对实验有干扰，因此严格来说这就是实验不可重复。
　　我了解到的关于计时比较有代表性的两个库就是time  和timeit  。
　　其中，time  库中有time()  、perf_counter()  以及process_time()  三个函数可用来计时（以秒为单位），加后缀_ns  表示以纳秒计时（自 Python3.7 始）。在此之前还有clock()  函数，但是在 Python3.3 之后被移除了。上述三者的区别如下：time()  精度上相对没有那么高，而且受系统的影响，适合表示日期时间或者大程序的计时。perf_counter()  适合小一点的程序测试，会计算sleep()  时间。process_time()  适合小一点的程序测试，不计算sleep()  时间。
　　与time  库相比，timeit   有两个优点：timeit   会根据您的操作系统和 Python 版本选择最佳计时器。timeit   在计时期间会暂时禁用垃圾回收。
　　timeit.timeit(stmt=＂pass＂, setup=＂pass＂, timer=, number=1000000, globals=None)   参数说明：stmt=＂pass＂  ：需要计时的语句或者函数。setup=＂pass＂  ：执行stmt  之前要运行的代码。通常，它用于导入一些模块或声明一些必要的变量。timer=  ：计时器函数，默认为time.perf_counter()  。number=1000000  ：执行计时语句的次数，默认为一百万次。globals=None  ：指定执行代码的命名空间。
　　本文所有的计时均采用timeit  方法，且采用默认的执行次数一百万次。
　　为什么要执行一百万次呢？因为我们的测试程序很短，如果不执行这么多次的话，根本看不出差距。1.使用map()进行函数映射
　　Exp1：将字符串数组中的小写字母转为大写字母。
　　测试数组为 oldlist = [＂life＂, ＂is＂, ＂short＂, ＂i＂, ＂choose＂, ＂python＂]。
　　方法一newlist = [] for word in oldlist:     newlist.append(word.upper())
　　方法二list(map(str.upper, oldlist))
　　方法一耗时 0.5267724000000005s，方法二耗时 0.41462569999999843s，性能提升 21.29%2.使用set()求交集
　　Exp2：求两个list  的交集。
　　测试数组：a = [1,2,3,4,5]，b = [2,4,6,8,10]。
　　方法一overlaps = [] for x in a:     for y in b:         if x == y:             overlaps.append(x)
　　方法二list(set(a) & set(b))
　　方法一耗时 0.9507264000000006s，方法二耗时 0.6148200999999993s，性能提升 35.33%
　　关于set()  的语法：|  、&  、-  分别表示求并集、交集、差集。3.使用sort()或sorted()排序
　　我们可以通过多种方式对序列进行排序，但其实自己编写排序算法的方法有些得不偿失。因为内置的 sort()  或 sorted()   方法已经足够优秀了，且利用参数key  可以实现不同的功能，非常灵活。二者的区别是sort()  方法仅被定义在list  中，而sorted()  是全局方法对所有的可迭代序列都有效。
　　Exp3：分别使用快排和sort()  方法对同一列表排序。
　　测试数组：lists = [2,1,4,3,0]。
　　方法一def quick_sort(lists,i,j):     if i >= j:         return list     pivot = lists[i]     low = i     high = j     while i < j:         while i < j and lists[j] >= pivot:             j -= 1         lists[i]=lists[j]         while i < j and lists[i] <=pivot:             i += 1         lists[j]=lists[i]     lists[j] = pivot     quick_sort(lists,low,i-1)     quick_sort(lists,i+1,high)     return lists
　　方法二lists.sort()
　　方法一耗时 2.4796975000000003s，方法二耗时 0.05551999999999424s，性能提升 97.76%
　　顺带一提，sorted()  方法耗时 0.1339823999987857s。
　　可以看出，sort()  作为list  专属的排序方法还是很强的，sorted()  虽然比前者慢一点，但是胜在它＂不挑食＂，它对所有的可迭代序列都有效。
　　扩展：如何定义sort()  或sorted()  方法的key
　　1.通过lambda  定义#学生：（姓名，成绩，年龄） students = [(＂john＂, ＂A＂, 15),(＂jane＂, ＂B＂, 12),(＂dave＂, ＂B＂, 10)] students.sort(key = lambda student: student[0]) #根据姓名排序 sorted(students, key = lambda student: student[0])
　　2.通过operator  定义import operator  students = [(＂john＂, ＂A＂, 15),(＂jane＂, ＂B＂, 12),(＂dave＂, ＂B＂, 10)] students.sort(key=operator.itemgetter(0)) sorted(students, key = operator.itemgetter(1, 0)) #先对成绩排序，再对姓名排序
　　operator  的itemgetter()  适用于普通数组排序，attrgetter()  适用于对象数组排序
　　3.通过cmp_to_key()  定义，最为灵活import functools  def cmp(a,b):     if a[1] != b[1]:         return -1 if a[1] < b[1] else 1 #先按照成绩升序排序     elif a[0] != b[0]:         return -1 if a[0] < b[0] else 1 #成绩相同，按照姓名升序排序     else:         return -1 if a[2] > b[2] else 1 #成绩姓名都相同，按照年龄降序排序   students = [(＂john＂, ＂A＂, 15),(＂john＂, ＂A＂, 14),(＂jane＂, ＂B＂, 12),(＂dave＂, ＂B＂, 10)] sorted(students, key = functools.cmp_to_key(cmp))4.使用collections.Counter()计数
　　Exp4：统计字符串中每个字符出现的次数。
　　测试数组：sentence=＂life is short, i choose python＂。
　　方法一counts = {} for char in sentence:     counts[char] = counts.get(char, 0) + 1
　　方法二from collections import Counter Counter(sentence)
　　方法一耗时 2.8105250000000055s，方法二耗时 1.6317423000000062s，性能提升 41.94%5.使用列表推导
　　列表推导（list comprehension）短小精悍。在小代码片段中，可能没有太大的区别。但是在大型开发中，它可以节省一些时间。
　　Exp5：对列表中的奇数求平方，偶数不变。
　　测试数组：oldlist = range(10)。
　　方法一newlist = [] for x in oldlist:     if x % 2 == 1:         newlist.append(x**2)
　　方法二[x**2 for x in oldlist if x%2 == 1]
　　方法一耗时 1.5342976000000021s，方法二耗时 1.4181957999999923s，性能提升 7.57%6.使用 join() 连接字符串
　　大多数人都习惯使用+  来连接字符串。但其实，这种方法非常低效。因为，+  操作在每一步中都会创建一个新字符串并复制旧字符串。更好的方法是用 join()   来连接字符串。关于字符串的其他操作，也尽量使用内置函数，如isalpha()  、isdigit()  、startswith()  、endswith()  等。
　　Exp6：将字符串列表中的元素连接起来。
　　测试数组：oldlist = [＂life＂, ＂is＂, ＂short＂, ＂i＂, ＂choose＂, ＂python＂]。
　　方法一sentence = ＂＂ for word in oldlist:     sentence += word
　　方法二＂＂.join(oldlist)
　　方法一耗时 0.27489080000000854s，方法二耗时 0.08166570000000206s，性能提升 70.29%
　　join  还有一个非常舒服的点，就是它可以指定连接的分隔符，举个例子oldlist = [＂life＂, ＂is＂, ＂short＂, ＂i＂, ＂choose＂, ＂python＂] sentence = ＂//＂.join(oldlist) print(sentence)
　　life//is//short//i//choose//python 7.使用x, y = y, x交换变量
　　Exp6：交换x，y的值。
　　测试数据：x, y = 100, 200。
　　方法一temp = x x = y y = temp
　　方法二x, y = y, x
　　方法一耗时 0.027853900000010867s，方法二耗时 0.02398730000000171s，性能提升 13.88%8.使用while 1取代while True
　　在不知道确切的循环次数时，常规方法是使用while True  进行无限循环，在代码块中判断是否满足循环终止条件。虽然这样做没有任何问题，但while 1  的执行速度比while True  更快。因为它是一种数值转换，可以更快地生成输出。
　　Exp8：分别用while 1  和while True  循环 100 次。
　　方法一i = 0 while True:     i += 1     if i > 100:         break
　　方法二i = 0 while 1:     i += 1     if i > 100:         break
　　方法一耗时 3.679268300000004s，方法二耗时 3.607847499999991s，性能提升1.94%9.使用装饰器缓存
　　将文件存储在高速缓存中有助于快速恢复功能。Python 支持装饰器缓存，该缓存在内存中维护特定类型的缓存，以实现最佳软件驱动速度。我们使用lru_cache  装饰器来为斐波那契函数提供缓存功能，在使用fibonacci  递归函数时，存在大量的重复计算，例如fibonacci(1)  、fibonacci(2)  就运行了很多次。而在使用了lru_cache  后，所有的重复计算只会执行一次，从而大大提高程序的执行效率。
　　Exp9：求斐波那契数列。
　　测试数据：fibonacci(7)。
　　方法一def fibonacci(n):     if n == 0:         return 0     elif n == 1:         return 1     return fibonacci(n - 1) + fibonacci(n-2)
　　方法二
　　import functools  @functools.lru_cache(maxsize=128) def fibonacci(n):     if n == 0:         return 0     elif n == 1:         return 1     return fibonacci(n - 1) + fibonacci(n-2)
　　方法一耗时 3.955014900000009s，方法二耗时 0.05077979999998661s，性能提升 98.72%
　　注意事项：缓存是按照参数作为键，也就说在参数不变时，被lru_cache  装饰的函数只会执行一次。所有参数必须可哈希，例如list  不能作为被lru_cache  装饰的函数的参数。import functools   @functools.lru_cache(maxsize=100) def demo(a, b):     print(＂我被执行了＂)     return a + b if __name__ == ＂__main__＂:     demo(1, 2)     demo(1, 2)
　　我被执行了（执行了两次demo(1, 2)  ，却只输出一次）from functools import lru_cache   @lru_cache(maxsize=100) def list_sum(nums: list):     return sum(nums)  if __name__ == ＂__main__＂:     list_sum([1, 2, 3, 4, 5])
　　TypeError: unhashable type: ＂list＂
　　functools.lru_cache(maxsize=128, typed=False)  的两个可选参数：maxsize  代表缓存的内存占用值，超过这个值之后，就的结果就会被释放，然后将新的计算结果进行缓存，其值应当设为 2 的幂。typed  若为True  ，则会把不同的参数类型得到的结果分开保存。10.减少点运算符(.)的使用
　　点运算符(.  )用来访问对象的属性或方法，这会引起程序使用__getattribute__()  和__getattr__()  进行字典查找，从而带来不必要的开销。尤其注意，在循环当中，更要减少点运算符的使用，应该将它移到循环外处理。
　　这启发我们应该尽量使用from ... import ...  这种方式来导包，而不是在需要使用某方法时通过点运算符来获取。其实不光是点运算符，其他很多不必要的运算我们都尽量移到循环外处理。
　　Exp10：将字符串数组中的小写字母转为大写字母。
　　测试数组为 oldlist = [＂life＂, ＂is＂, ＂short＂, ＂i＂, ＂choose＂, ＂python＂]。
　　方法一newlist = [] for word in oldlist:     newlist.append(str.upper(word))
　　方法二newlist = [] upper = str.upper for word in oldlist:     newlist.append(upper(word))
　　方法一耗时 0.7235491999999795s，方法二耗时 0.5475435999999831s，性能提升 24.33%11.使用for循环取代while循环
　　当我们知道具体要循环多少次时，使用for  循环比使用while  循环更好。
　　Exp12：使用for  和while  分别循环 100 次。
　　方法一i = 0 while i < 100:     i += 1
　　方法二for _ in range(100):     pass
　　方法一耗时 3.894683299999997s，方法二耗时 1.0198077999999953s，性能提升73.82%12.使用Numba.jit加速计算
　　Numba 可以将 Python 函数编译码为机器码执行，大大提高代码执行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循环中或存在大量计算时能显著地提高执行效率。
　　Exp12：求从 1 加到 100 的和。
　　方法一def my_sum(n):     x = 0     for i in range(1, n+1):         x += i     return x
　　方法二from numba import jit  @jit(nopython=True)  def numba_sum(n):     x = 0     for i in range(1, n+1):         x += i     return x
　　方法一耗时 3.7199997000000167s，方法二耗时 0.23769430000001535s，性能提升 93.61%13.使用Numpy矢量化数组
　　矢量化是 NumPy 中的一种强大功能，可以将操作表达为在整个数组上而不是在各个元素上发生。这种用数组表达式替换显式循环的做法通常称为矢量化。
　　在 Python 中循环数组或任何数据结构时，会涉及很多开销。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数，从而使 Python 代码更加快速。
　　Exp13：两个长度相同的序列逐元素相乘。
　　测试数组：a = [1,2,3,4,5], b = [2,4,6,8,10]
　　方法一[a[i]*b[i] for i in range(len(a))]
　　方法二import numpy as np a = np.array([1,2,3,4,5]) b = np.array([2,4,6,8,10]) a*b
　　方法一耗时 0.6706845000000214s，方法二耗时 0.3070132000000001s，性能提升 54.22%14.使用in检查列表成员
　　若要检查列表中是否包含某成员，通常使用in  关键字更快。
　　Exp14：检查列表中是否包含某成员。
　　测试数组：lists = [＂life＂, ＂is＂, ＂short＂, ＂i＂, ＂choose＂, ＂python＂]
　　方法一def check_member(target, lists):     for member in lists:         if member == target:             return True     return False
　　方法二if target in lists:     pass
　　方法一耗时 0.16038449999999216s，方法二耗时 0.04139250000000061s，性能提升 74.19%15.使用itertools库迭代
　　itertools  是用来操作迭代器的一个模块，其函数主要可以分为三类：无限迭代器、有限迭代器、组合迭代器。
　　Exp15：返回列表的全排列。
　　测试数组：[＂Alice＂, ＂Bob＂, ＂Carol＂]
　　方法一def permutations(lst):     if len(lst) == 1 or len(lst) == 0:         return [lst]     result = []     for i in lst:         temp_lst = lst[:]         temp_lst.remove(i)         temp = permutations(temp_lst)         for j in temp:             j.insert(0, i)             result.append(j)     return result
　　方法二import itertools itertools.permutations([＂Alice＂, ＂Bob＂, ＂Carol＂])
　　方法一耗时 3.867292899999484s，方法二耗时 0.3875405000007959s，性能提升 89.98%
　　根据上面的测试数据，我绘制了下面这张实验结果图，可以更加直观的看出不同方法带来的性能差异。
　　从图中可以看出，大部分的技巧所带来的性能增幅还是比较可观的，但也有少部分技巧的增幅较小（例如编号5、7、8，其中，第 8 条的两种方法几乎没有差异）。
　　总结下来，我觉得其实就是下面这两条原则：1.尽量使用内置库函数
　　内置库函数由专业的开发人员编写并经过了多次测试，很多库函数的底层是用C  语言开发的。因此，这些函数总体来说是非常高效的（比如sort()  、join()  等），自己编写的方法很难超越它们，还不如省省功夫，不要重复造轮子了，何况你造的轮子可能更差。所以，如果函数库中已经存在该函数，就直接拿来用。2.尽量使用优秀的第三方库
　　有很多优秀的第三方库，它们的底层可能是用 C 和 Fortran 来实现的，像这样的库用起来绝对不会吃亏，比如前文提到的 Numpy 和 Numba，它们带来的提升都是非常惊人的。类似这样的库还有很多，比如Cython、PyPy等，这里我只是抛砖引玉。
　　原文链接：https://www.jb51.net/article/238190.htm