代码跑得慢甩锅Python？手把手教你如何给代码提速30%-代码大全python

[[312899]]

大数据文摘出品

来源：Medium

编译：王转转

Python已经得到了全球程序员的喜爱，但是还是遭到一些人的诟病，原因之一就是认为它运行缓慢。

其实某个特定程序(无论使用何种编程语言)的运行速度是快还是慢，在很大程度上取决于编写该程序的开发人员自身素质，以及他们编写优化而高效代码的能力。

Medium上一位小哥就详细讲了讲如何让python提速30%，以此证明代码跑得慢不是python的问题，而是代码本身的问题。

时序分析

在开始进行任何优化之前，我们首先需要找出代码的哪些部分使整个程序变慢。有时程序的问题很明显，但是如果你一时不知道问题出在哪里，那么这里有一些可能的选项：

注意：这是我将用于演示的程序，它将进行指数计算(取自Python文档)：

# slow_program.py 
 
from decimal import * 
 
def exp(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))

最简约的“配置文件”

首先，最简单最偷懒的方法——Unix时间命令。

~ $ time python3.8 slow_program.py 
 
real  0m11,058s 
user 0m11,050s 
sys 0m0,008s

如果你只能直到整个程序的运行时间，这样就够了，但通常这还远远不够。

最详细的分析

另外一个指令是cProfile，但是它提供的信息过于详细了。

~ $ 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>)

在这里，我们使用cProfile模块和time参数运行测试脚本，以便按内部时间(cumtime)对行进行排序。这给了我们很多信息，你在上面看到的行大约是实际输出的10%。由此可见，exp函数是罪魁祸首，现在我们可以更详细地了解时序和性能分析。

时序特定功能

现在我们知道了应当主要关注哪里，我们可能想对运行速度缓慢的函数计时，而不用测量其余的代码。为此，我们可以使用一个简单的装饰器：

def timeit_wrapper(func): 
    @wraps(func) 
    def wrapper(*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

然后可以将此装饰器应用于待测功能，如下所示：

@timeit_wrapper 
 
def exp(x): 
    ... 
 
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time')) 
exp(Decimal(150)) 
exp(Decimal(400)) 
exp(Decimal(3000))

这给出我们如下输出：

~ $ python3.8 slow_program.py 
module function   time   
__main__ .exp      : 0.003267502994276583 
__main__ .exp      : 0.038535295985639095 
__main__ .exp      : 11.728486061969306

需要考虑的一件事是我们实际想要测量的时间。时间包提供time.perf_counter和time.process_time两个函数。他们的区别在于perf_counter返回的绝对值，包括你的Python程序进程未运行时的时间，因此它可能会受到计算机负载的影响。另一方面，process_time仅返回用户时间(不包括系统时间)，这仅是你的过程时间。

加速吧!

让Python程序运行得更快，这部分会很有趣!我不会展示可以解决你的性能问题的技巧和代码，更多地是关于构想和策略的，这些构想和策略在使用时可能会对性能产生巨大影响，在某些情况下，可以将速度提高30%。

使用内置数据类型

这一点很明显。内置数据类型非常快，尤其是与我们的自定义类型(例如树或链接列表)相比。这主要是因为内置程序是用C实现的，因此在使用Python进行编码时我们的速度实在无法与之匹敌。

使用lru_cache缓存/记忆

我已经在上一篇博客中展示了此内容，但我认为值得用简单的示例来重复它：

import functools 
import time 
# caching up to 12 different results 
@functools.lru_cache(maxsize=12) 
def slow_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

上面的函数使用time.sleep模拟大量计算。第一次使用参数1调用时，它将等待2秒钟，然后才返回结果。再次调用时，结果已经被缓存，因此它将跳过函数的主体并立即返回结果。有关更多实际示例，请参见以前的博客文章。

使用局部变量

这与在每个作用域中查找变量的速度有关，因为它不只是使用局部变量还是全局变量。实际上，即使在函数的局部变量(最快)，类级属性(例如self.name——较慢)和全局(例如，导入的函数)如time.time(最慢)之间，查找速度实际上也有所不同。

你可以通过使用看似不必要的分配来提高性能，如下所示：

# Example #1 
class FastClass: 
    def do_stuff(self): 
        temp = self.value # this speeds up lookup in loop 
        for i in range(10000): 
            ... # Do something with `temp` here 
 
# Example #2 
import random 
def fast_function(): 
    r = random.random 
    for i in range(10000): 
        print(r()) # calling `r()` here, is faster than global random.random()

使用函数

这似乎违反直觉，因为调用函数会将更多的东西放到堆栈上，并从函数返回中产生开销，但这与上一点有关。如果仅将整个代码放在一个文件中而不将其放入函数中，则由于全局变量，它的运行速度会慢得多。因此，你可以通过将整个代码包装在main函数中并调用一次来加速代码，如下所示：

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

不访问属性

可能会使你的程序变慢的另一件事是点运算符(.)，它在获得对象属性时被使用。此运算符使用__getattribute__触发字典查找，这会在代码中产生额外的开销。那么，我们如何才能真正避免(限制)使用它呢?

# Slow: 
import re 
def slow_func(): 
    for i in range(10000): 
        re.findall(regex, line) # Slow! 
 
# Fast: 
from re import findall 
def fast_func(): 
    for i in range(10000): 
        findall(regex, line) # Faster!

当心字符串

使用模数(%s)或.format()进行循环运行时，字符串操作可能会变得非常慢。我们有什么更好的选择?根据雷蒙德·海廷格(Raymond Hettinger)最近的推特，我们唯一应该使用的是f字符串，它是最易读，最简洁且最快的方法。根据该推特，这是你可以使用的方法列表——最快到最慢：

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!

生成器本质上并没有更快，因为它们被允许进行延迟计算，从而节省了内存而不是时间。但是，保存的内存可能会导致你的程序实际运行得更快。这是怎么做到的?如果你有一个很大的数据集，而没有使用生成器(迭代器)，那么数据可能会溢出CPU L1缓存，这将大大减慢内存中值的查找速度。

在性能方面，非常重要的一点是CPU可以将正在处理的所有数据尽可能地保存在缓存中。你可以观看Raymond Hettingers的视频，他在其中提到了这些问题。

结论

优化的首要规则是不要优化。但是，如果确实需要，那么我希望上面这些技巧可以帮助你。但是，在优化代码时要小心，因为它可能最终使你的代码难以阅读，因此难以维护，这可能超过优化的好处。