Python函数调用开销大如何解决_内联代码与闭包优化技巧-Python教程-PHP中文网

python函数调用开销主要来自栈帧创建，而非计算本身；规避方法是内联、向量化或cython：删函数定义直接展开表达式，或用np.vectorize/cython cdef inline避免python层调度。

python函数调用开销大如何解决_内联代码与闭包优化技巧

Python函数调用开销无法绕过，但能有效规避——关键不是“优化调用”，而是“不调用”。

为什么 `taxicab_distance` 会吃掉 62 秒？

你看到的不是算法慢，是 Python 解释器在反复创建栈帧：每次 taxicab_distance(u, v) 被调用，都要分配帧对象、压栈、查局部变量、执行、弹栈。对 1200 万次调用来说，这比计算本身还重。

尤其当函数体只有 np.abs(u[0] - v[0]) + np.abs(u[1] - v[1]) 这种两行表达式时，栈帧开销远超计算开销。

它被嵌在 agent.calc → squaregrid.distance → taxicab_distance 链中，三层调用 = 三倍帧开销
u 和 v 是 numpy.ndarray，但 np.abs 是 C 实现，快；瓶颈纯在 Python 层调度
lru_cache 对这种参数几乎不重复的场景无效，反而增加哈希和字典查找

直接内联：把函数体写进调用点

最简单有效的办法，就是删掉函数定义，把逻辑粘贴到它被调用的地方。别担心“破坏封装”，高频小计算不值得抽象。

比如原来：

def choose_max_distance_to(self, robot, target):
    candidates = self.neighbours(robot) + [robot]
    return max(candidates, key=lambda r: taxicab_distance(r, target))

改成：

Forge — Python Developer

Python开发助手 — 自动化脚本、API封装、命令行工具、数据管道、网页爬虫。经过测试的代码，包含错误处理和文档。当你需要...

下载

def choose_max_distance_to(self, robot, target):
    candidates = self.neighbours(robot) + [robot]
    def _dist(u, v):
        return np.abs(u[0] - v[0]) + np.abs(u[1] - v[1])
    return max(candidates, key=lambda r: _dist(r, target))

更进一步，直接展开：

def choose_max_distance_to(self, robot, target):
    candidates = self.neighbours(robot) + [robot]
    return max(candidates, key=lambda r: np.abs(r[0] - target[0]) + np.abs(r[1] - target[1]))

去掉命名函数调用，避免全局名查找 + 栈帧创建
lambda 仍建函数对象，但比命名函数少一层作用域查找
如果 candidates 是 numpy 数组，考虑用向量化： np.abs(candidates[:, 0] - target[0]) + np.abs(candidates[:, 1] - target[1])，一次性算完

用 `cdef` 写 Cython 内联函数

当内联后仍不够快（比如你后续要加更多距离逻辑），就该切到 Cython。注意：必须用 cdef inline，不是 def。

在 distance.pyx 中写：

cdef inline double taxicab_dist(double x1, double y1, double x2, double y2):
    return abs(x1 - x2) + abs(y1 - y2)

然后在 Python 中调用：

from distance cimport taxicab_dist
<h1>注意：传标量，不是 array</h1><p>score = taxicab_dist(robot[0], robot[1], target[0], target[1])
</p>

cdef inline 函数编译为纯 C 函数，调用不进 Python 栈，无帧开销
不能传 numpy.ndarray 直接进去，需先解包为 float 或 double；否则又触发 Python 对象转换
若需批量计算，改用 np.vectorize 包裹或直接写 NumPy 向量化逻辑，别走 Python 循环

闭包里缓存局部引用能省一点，但别指望太多

如果你必须保留函数结构（比如多个距离函数共用一套签名），可以靠闭包减少运行时查找：

import numpy as np
<h1>把 np.abs 提前绑定，避免每次进函数都查 global np</h1><p>def make_taxicab():
_abs = np.abs
def dist(u, v):
return _abs(u[0] - v[0]) + _abs(u[1] - v[1])
return dist</p><p>taxicab_distance = make_taxicab()
</p>