Python 性能快速優化

原文出處： infiniteloop.in   譯文出處：yexiaobai（@葉小小小白） 

Python可能最容易扼殺你的想法，但不是最好的代碼實現。盡管強烈反對過早優化，但在 Python 代碼中一點點的優化都可能帶來巨大的性能提升。

解釋僅僅是目的，最正確的方式是天天使用 Python 編程，并且與性能影響相關。

• %timeit (per line) 和 %prun (cProfile) 在 ipython 的交互式 Shell 中

當你的代碼在工作時，分析你的代碼，并且嘗試找出性能瓶頸在哪里。這不與過早的優化是萬惡之源這個事實相反。這意味著一級優化，而不是進入冗長的優化序列。

更多的分析你的 Python 代碼，你需要閱讀這個 python-performance-analysis

另外一個有趣的包，line_profiler是一行一行的分析代碼
分析 line_profiler

• 降低方法調用次數，如果你有一個列表需要操作，傳遞整個列表，而不是遍歷整個列表并且傳遞每個元素給函數并返回。
• 使用 xrange 代替range。（在 Python2.x 中這樣做，因為 Python 3.x 中是默認的）

xrange是range的 C 實現，著眼于有效的內存使用。

• 對于大數據，使用 numpy，它比標準的數據結構好很多。
• "".join(string) 比+ or +=好
• while 1 比while True快
• list comphrension > for loop > while

列表推導比循環遍歷列表快，但while loop是最慢的，需要使用一個外部計數器。

• 使用 cProfile，cStringIO 和 cPickle

一直使用 C 版本的模塊

• 使用局部變量

局部變量比全局變量，內建類型以及屬性快。

• 列表和迭代器版本存在 – 迭代器是內存效率和可伸縮性的。使用itertools

創建生成器以及盡可能使用yeild，它們比正常的列表方式更快。

下面是 Python 性能快速優化的第二部分。

1. 使用 Map ，Reduce 和 Filter 代替for 循環
2. 校驗a in b， 字典 或 set 比 列表 或 元組 更好
3. 當數據量大的時候，盡可能使用不可變數據類型，他們更快 元組 > 列表
4. 在一個列表中插入數據的復雜度為 O(n)
5. 如果你需要操作列表的兩端，使用 deque
6. del – 刪除對象使用如下
   1） python 自己處理它，但確保使用了gc模塊
   2） 編寫__del__函數
   3） 最簡單的方式，使用后調用del
7. time.clock()
8. GIL(http://wiki.python.org/moin/GlobalInterpreterLock) – GIL is a daemon

GIL 僅僅允許一個 Python 的原生線程來運行每個進程。阻止 CPU 級別的并行，嘗試使用ctypes和 原生的 C 庫來解決它，當你達到 Python 優化的最后，總是存在一個選項，可以使用原生的 C 重寫慢的函數，通過 Python 的 C 綁定使用它，其他的庫如gevent也是致力于解決這個問題，并且獲得了成功。

TL,DR：當你寫代碼了，過一遍數據結構，迭代結構，內建和為 GIL 創建 C 擴展，如有必要。

更新：multiprocessing 是在 GIL 的范圍之外，這意味著你可以使用multiprocessing這個標準庫來運行多個進程。

看下我的 2013 的印度 PyCon 演講

• www.slideshare.net/atmb4u/faster-python