Maison >développement back-end >Tutoriel Python >Résumé des techniques classiques pour utiliser Python aussi facilement que la soie
Cet article vous apporte des connaissances pertinentes sur python Il résume et présente principalement quelques conseils pour améliorer les performances de Python, notamment l'utilisation de map pour le mappage de fonctions, l'utilisation de set pour trouver une intersection, etc. aide.
Apprentissage recommandé : Tutoriel d'apprentissage Python
À propos de Python, comment mesurer avec précision le temps d'exécution d'un programme Cette question semble simple mais est en réalité très compliquée, car le temps d'exécution du programme est affecté par de nombreux facteurs, tels que le système d'exploitation, la version de Python et le matériel associé (performances du processeur, vitesse de lecture et d'écriture de la mémoire), etc. Lors de l'exécution de la même version du langage sur le même ordinateur, les facteurs ci-dessus sont certains, mais le temps de veille du programme change toujours et d'autres programmes exécutés sur l'ordinateur interféreront également avec l'expérience, il s'agit donc à proprement parler de "Expériences". ne peut pas être répété. »
Les deux bibliothèques les plus représentatives que j'ai apprises sur le timing sont time et timeit.
Parmi elles, la bibliothèque time a trois fonctions : time(), perf_counter() et process_time() qui peuvent être utilisées pour le timing (en secondes). L'ajout du suffixe _ns signifie un timing en nanosecondes (depuis Python3.7). Il y avait une fonction clock() avant cela, mais elle a été supprimée après Python 3.3. Les différences entre les trois ci-dessus sont les suivantes :
timeit présente deux avantages par rapport à la bibliothèque time :
timeit.timeit(stmt='pass', setup='pass', timer=, number=1000000, globals=None) Description du paramètre :
Tous les timings de cet article utilisent la méthode timeit et le nombre d'exécutions par défaut est d'un million de fois.
Pourquoi devons-nous l'exécuter un million de fois ? Parce que notre programme de test est très court, si nous ne l’exécutons pas autant de fois, nous ne pourrons pas voir la différence du tout.
Exp1 : convertissez les lettres minuscules du tableau de chaînes en lettres majuscules.
测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
newlist = []for word in oldlist: newlist.append(word.upper())
list(map(str.upper, oldlist))
La première méthode prend 0,5267724000000005s, la deuxième méthode prend 0,41462569999999843s, les performances sont améliorées de 2 1,29%
Exp2 : Trouvez l'intersection de deux listes.
测试数组:a = [1,2,3,4,5],b = [2,4,6,8,10]。
overlaps = []for x in a: for y in b: if x == y: overlaps.append(x)
list(set(a) & set(b))
La première méthode prend 0,9507264000000006s, la deuxième méthode prend 0,6148200999999993s, les performances sont améliorées de 35 .33%
À propos de la syntaxe de set() : |, &, -Représente respectivement l'union, l'intersection et la différence.
Nous pouvons trier la séquence de plusieurs façons, mais en fait, écrire vous-même l'algorithme de tri n'en vaut pas la peine. Parce que la méthode intégrée sort() ou sorted() est assez bonne et que la clé de paramètre peut être utilisée pour implémenter différentes fonctions, ce qui est très flexible. La différence entre les deux est que la méthode sort() est uniquement définie dans la liste, tandis que sorted() est une méthode globale valable pour toutes les séquences itérables.
Exp3 : utilisez les méthodes de tri rapide et sort() pour trier la même liste.
测试数组:lists = [2,1,4,3,0]。
def quick_sort(lists,i,j): if i >= j: return list pivot = lists[i] low = i high = j while i = pivot: j -= 1 lists[i]=lists[j] while i
lists.sort()
La première méthode prend 2,4796975000000003s, la deuxième méthode prend 0,05551999999999424s, les performances sont améliorées de 9 7,76%
Au fait, la méthode sorted() est prend du temps 0,1339823999987857s.
On peut voir que sort() est toujours très puissant en tant que méthode de tri spécifique à une liste. Bien que sorted() soit un peu plus lent que le premier, il est meilleur car il n'est "pas pointilleux" et il est efficace pour tous. séquences itérables.
Extension : Comment définir la clé de la méthode sort() ou sorted()
1 Définir via lambda
#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 Définir via l'opérateur
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
le itemgetter() de l'opérateur convient au tri de tableau ordinaire, attrgetter( ) convient au tri de tableaux d'objets
3. Définissez via cmp_to_key(), le plus flexible
import functools def cmp(a,b): if a[1] != b[1]: return -1 if a[1] 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))
Exp4 : Comptez le nombre de fois où chaque caractère apparaît dans un. chaîne.
Test array : sentence='la vie est courte, je choisis python'.
counts = {}for char in sentence: counts[char] = counts.get(char, 0) + 1
from collections import CounterCounter(sentence)
方法一耗时 2.8105250000000055s,方法二耗时 1.6317423000000062s,性能提升 41.94%
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)。
newlist = []for x in oldlist: if x % 2 == 1: newlist.append(x**2)
[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%
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’]。
sentence = ""for word in oldlist: sentence += word
"".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
Exp6:交换x,y的值。
测试数据:x, y = 100, 200。
temp = x x = y y = temp
x, y = y, x
方法一耗时 0.027853900000010867s,方法二耗时 0.02398730000000171s,性能提升 13.88%
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。
i = 0while True: i += 1 if i > 100: break
i = 0while 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%
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)。
def fibonacci(n): if n == 0: return 0 elif n == 1: return 1 return fibonacci(n - 1) + fibonacci(n-2)
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:
import functools @functools.lru_cache(maxsize=100)def demo(a, b): print('我被执行了') return a + bif __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。
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’]。
newlist = []for word in oldlist: newlist.append(str.upper(word))
newlist = []upper = str.upperfor 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%
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。
i = 0while i
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%
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。
def my_sum(n): x = 0 for i in range(1, n+1): x += i return x
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%
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]
[a[i]*b[i] for i in range(len(a))]
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%
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’]
def check_member(target, lists): for member in lists: if member == target: return True return False
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%
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”]
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
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:
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。
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。
其实加快 Python 代码执行速度的方法还有很多,比如避免使用全局变量、使用最新版本、使用合适的数据结构、利用if条件的惰性等等,我这里就不一一例举了。这些方法都需要我们亲身去实践才会有深刻的感受和理解,但最根本的方法就是保持我们对编程的热情和对最佳实践的追求,这才是我们能不断突破自我、勇攀高峰的不竭动力源泉!
Apprentissage recommandé : Tutoriel d'apprentissage du python
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!