Teknik Pengoptimuman Prestasi Python yang luar biasa untuk Kod Lebih Pantas

Sebagai pembangun Python, saya telah mengetahui bahawa pengoptimuman kod adalah penting untuk mencipta aplikasi berprestasi tinggi. Dalam artikel ini, saya akan berkongsi tujuh teknik hebat yang telah saya gunakan untuk meningkatkan prestasi kod Python, memfokuskan pada kaedah praktikal untuk meningkatkan kelajuan pelaksanaan dan kecekapan memori.

Penjana dan Iterator

Salah satu cara paling berkesan untuk mengoptimumkan kod Python ialah dengan menggunakan penjana dan iterator. Alat ini amat berguna apabila bekerja dengan set data yang besar, kerana ia membolehkan kami memproses data tanpa memuatkan semuanya ke dalam memori sekaligus.

Saya sering menggunakan penjana apabila saya perlu bekerja dengan urutan yang terlalu besar untuk dimuatkan dengan selesa dalam ingatan. Berikut ialah contoh fungsi penjana yang menghasilkan nombor perdana:

def prime_generator():
    yield 2
    primes = [2]
    candidate = 3
    while True:
        if all(candidate % prime != 0 for prime in primes):
            primes.append(candidate)
            yield candidate
        candidate += 2

Penjana ini membolehkan saya bekerja dengan urutan nombor perdana yang tidak terhingga tanpa menyimpan kesemuanya dalam ingatan. Saya boleh menggunakannya seperti ini:

primes = prime_generator()
for _ in range(10):
    print(next(primes))

Senaraikan Pemahaman dan Ungkapan Penjana

Kefahaman senarai dan ungkapan penjana adalah alternatif yang ringkas dan selalunya lebih pantas kepada gelung tradisional. Ia amat berguna untuk membuat senarai baharu atau mengulangi urutan.

Berikut ialah contoh kefahaman senarai yang mengduakan nombor genap:

numbers = range(10)
squared_evens = [x**2 for x in numbers if x % 2 == 0]

Untuk urutan yang lebih besar, saya lebih suka ungkapan penjana untuk menjimatkan memori:

numbers = range(1000000)
squared_evens = (x**2 for x in numbers if x % 2 == 0)

Jenis Data Bekas Berprestasi Tinggi

Modul koleksi dalam Python menyediakan beberapa jenis data kontena berprestasi tinggi yang boleh meningkatkan kecekapan kod dengan ketara.

Saya sering menggunakan deque (baris berhujung dua) apabila saya memerlukan penambahan pantas dan muncul dari kedua-dua hujung senarai:

from collections import deque

queue = deque(['a', 'b', 'c'])
queue.append('d')
queue.appendleft('e')

Kaunter ialah satu lagi jenis data yang berguna untuk mengira objek boleh cincang:

from collections import Counter

word_counts = Counter(['apple', 'banana', 'apple', 'cherry'])

Set dan Kamus untuk Carian Pantas

Set dan kamus menggunakan jadual cincang secara dalaman, menjadikannya sangat pantas untuk carian dan ujian keahlian. Saya menggunakannya apabila saya perlu menyemak sama ada item wujud dalam koleksi atau apabila saya perlu mengalih keluar pendua daripada senarai.

Berikut ialah contoh penggunaan set untuk ujian keahlian pantas:

numbers = set(range(1000000))
print(500000 in numbers)  # This is much faster than using a list

Kompilasi Tepat Pada Masa dengan Numba

Untuk pengiraan berangka, Numba boleh memberikan peningkatan kelajuan yang ketara melalui kompilasi tepat dalam masa. Berikut ialah contoh menggunakan Numba untuk mempercepatkan fungsi yang mengira set mandelbrot:

from numba import jit
import numpy as np

@jit(nopython=True)
def mandelbrot(h, w, maxit=20):
    y, x = np.ogrid[-1.4:1.4:h*1j, -2:0.8:w*1j]
    c = x + y*1j
    z = c
    divtime = maxit + np.zeros(z.shape, dtype=int)

    for i in range(maxit):
        z = z**2 + c
        diverge = z*np.conj(z) > 2**2
        div_now = diverge & (divtime == maxit)
        divtime[div_now] = i
        z[diverge] = 2

    return divtime

Fungsi ini boleh menjadi sehingga 100 kali lebih pantas daripada setara Python tulennya.

Cython untuk C-Speed

Apabila saya memerlukan lebih kelajuan, saya beralih kepada Cython. Cython membenarkan saya menyusun kod Python kepada C, menghasilkan peningkatan prestasi yang ketara. Berikut ialah contoh mudah fungsi Cython:

def prime_generator():
    yield 2
    primes = [2]
    candidate = 3
    while True:
        if all(candidate % prime != 0 for prime in primes):
            primes.append(candidate)
            yield candidate
        candidate += 2

Fungsi Cython ini boleh beberapa kali lebih pantas daripada pelaksanaan Python tulen.

Profil dan Pengoptimuman

Sebelum mengoptimumkan, adalah penting untuk mengenal pasti di mana kesesakan itu. Saya menggunakan cProfile untuk pemasaan dan memory_profiler untuk analisis penggunaan memori.

Begini cara saya menggunakan cProfile:

primes = prime_generator()
for _ in range(10):
    print(next(primes))

Untuk pemprofilan ingatan:

numbers = range(10)
squared_evens = [x**2 for x in numbers if x % 2 == 0]

Alat ini membantu saya memfokuskan usaha pengoptimuman saya di mana ia akan memberi impak paling besar.

Menghafal dengan functools.lru_cache

Memoization ialah teknik yang saya gunakan untuk cache hasil panggilan fungsi yang mahal. Penghias functools.lru_cache memudahkan perkara ini:

numbers = range(1000000)
squared_evens = (x**2 for x in numbers if x % 2 == 0)

Ini boleh mempercepatkan fungsi rekursif secara mendadak dengan mengelakkan pengiraan berlebihan.

Lelaran Cekap dengan itertools

Modul itertools menyediakan koleksi alatan yang cepat dan cekap memori untuk mencipta iterator. Saya sering menggunakan ini untuk tugas seperti menggabungkan jujukan atau menjana pilih atur.

Berikut ialah contoh penggunaan itertools.combinations:

from collections import deque

queue = deque(['a', 'b', 'c'])
queue.append('d')
queue.appendleft('e')

Amalan Terbaik untuk Menulis Kod Python Berprestasi

Selama bertahun-tahun, saya telah membangunkan beberapa amalan terbaik untuk menulis kod Python yang cekap:

1. Optimumkan gelung: Saya cuba mengalihkan sebanyak mungkin kod ke luar gelung. Untuk gelung bersarang, saya memastikan gelung dalam secepat mungkin.

2. Kurangkan overhed panggilan fungsi: Untuk fungsi yang sangat kecil yang kerap dipanggil, saya pertimbangkan untuk menggunakan fungsi sebaris atau ungkapan lambda.

3. Gunakan struktur data yang sesuai: Saya memilih struktur data yang sesuai untuk tugas itu. Contohnya, saya menggunakan set untuk ujian keahlian pantas dan kamus untuk carian nilai kunci yang pantas.

4. Minimumkan penciptaan objek: Mencipta objek baharu boleh menjadi mahal, terutamanya dalam gelung. Saya cuba menggunakan semula objek apabila boleh.

5. Gunakan fungsi dan perpustakaan terbina dalam: Fungsi terbina dalam Python dan perpustakaan standard selalunya dioptimumkan dan lebih pantas daripada pelaksanaan tersuai.

6. Elakkan pembolehubah global: Mengakses pembolehubah global adalah lebih perlahan daripada mengakses pembolehubah tempatan.

7. Gunakan 'masuk' untuk ujian keahlian: Untuk senarai, tupel dan set, menggunakan 'masuk' lebih pantas daripada gelung.

Berikut ialah contoh yang menggabungkan beberapa amalan ini:

from collections import Counter

word_counts = Counter(['apple', 'banana', 'apple', 'cherry'])

Fungsi ini menggunakan lalai untuk mengelak daripada menyemak secara eksplisit sama ada kunci wujud, memproses data dalam satu gelung dan menggunakan pemahaman kamus untuk pengiraan akhir.

Kesimpulannya, mengoptimumkan kod Python ialah kemahiran yang disertakan dengan latihan dan pengalaman. Dengan menggunakan teknik ini dan sentiasa mengukur kesan pengoptimuman anda, anda boleh menulis kod Python yang bukan sahaja elegan tetapi juga berprestasi tinggi. Ingat, pengoptimuman pramatang ialah punca segala kejahatan, jadi sentiasa profilkan kod anda terlebih dahulu untuk mengenal pasti tempat pengoptimuman benar-benar diperlukan.

---

Ciptaan Kami

Pastikan anda melihat ciptaan kami:

Pusat Pelabur | Pelabur Central Spanish | Pelabur Jerman Tengah | Hidup Pintar | Epos & Gema | Misteri Membingungkan | Hindutva | Pembangunan Elit | Sekolah JS

---

Kami berada di Medium

Tech Koala Insights | Dunia Epok & Gema | Medium Pusat Pelabur | Medium Misteri Membingungkan | Sains & Zaman Sederhana | Hindutva Moden

Atas ialah kandungan terperinci Teknik Pengoptimuman Prestasi Python yang luar biasa untuk Kod Lebih Pantas. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!