Python使用絲般順滑的經典技巧總結

本篇文章為大家帶來了關於python的相關知識，其中主要總結介紹了一些提升Python使用性能的小技巧，包括了使用map進行函數映射、使用set求交集等等等，希望對大家有幫助。

推薦學習：python學習教學

#如何測量程式的執行時間

關於Python 如何精確地測量程式的執行時間，這個問題看起來簡單其實很複雜，因為程式的執行時間受到許多因素的影響，例如作業系統、Python 版本以及相關硬體（CPU 效能、記憶體讀寫速度）等。在同一台電腦上運行相同版本的語言時，上述因素就是確定的了，但是程式的睡眠時間依然是變化的，且電腦上正在運行的其他程式也會對實驗有乾擾，因此嚴格來說這就是《實驗不可重複》。

我了解到的關於計時比較有代表性的兩個函式庫就是time和timeit。

其中，time庫中有time()、perf_counter()以及process_time()三個函數可用來計時（以秒為單位），加後綴_ns表示以納秒計時（自Python3.7始）。在此之前還有clock()函數，但在 Python3.3 之後就被移除了。上述三者的差異如下：

• time()精度上相對沒有那麼高，而且受系統的影響，適合表示日期時間或大程式的計時。
• perf_counter()適合小一點的程式測試，會計算sleep()時間。
• process_time()適合小一點的程式測試，不計算sleep()時間。

與time函式庫相比，timeit 有兩個優點：

• timeit 會根據您的作業系統和 Python 版本選擇最佳計時器。
• timeit 在計時期間會暫時停用垃圾回收。

timeit.timeit(stmt='pass', setup='pass', timer=, number=1000000, globals=None) 參數說明：

• stmt= 'pass'：需要計時的語句或函數。
• setup=‘pass’：執行stmt之前要執行的程式碼。通常，它用於導入一些模組或聲明一些必要的變數。
• timer=：計時器函數，預設為time.perf_counter()。
• number=1000000：執行計時語句的次數，預設為一百萬次。
• globals=None：指定執行程式碼的命名空間。

本文所有的計時均採用timeit方法，且採用預設的執行次數一百萬次。

為什麼要執行一百萬次？因為我們的測試程序很短，如果不執行這麼多次的話，根本看不出差距。

1.使用map()進行函數對應

Exp1：將字串陣列中的小寫字母轉為大寫字母。

测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

• 方法一

newlist = []for word in oldlist:
    newlist.append(word.upper())

• 方法二

list(map(str.upper, oldlist))

方法一耗時0.5267724000000005s，方法二耗時0.41462569999999843s，性能提升21.29% 

2.使用set()求交集

#Exp2：求兩個list的交集。

测试数组：a = [1,2,3,4,5]，b = [2,4,6,8,10]。

• 方法一

overlaps = []for x in a:
    for y in b:
        if x == y:
            overlaps.append(x)

• 方法二

list(set(a) & set(b))

方法一耗時0.9507264000000006s，方法二耗時0.6148200999999993s，效能提升35.33% 

關於set()的語法：|、&、-分別表示求並集、交集、差集。

3.使用sort()或sorted()排序

我們可以透過多種方式對序列進行排序，但其實自己寫排序演算法的方法有些得不償失。因為內建的 sort()或 sorted() 方法已經夠優秀了，利用參數key可以實現不同的功能，非常靈活。二者的差異在於sort()方法只被定義在list中，而sorted()是全域方法對所有的可迭代序列都有效。

 Exp3：分別使用快排和sort()方法來排序相同清單。

测试数组：lists = [2,1,4,3,0]。

• 方法一

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 

• 方法二

lists.sort()

方法一耗時2.4796975000000003s，方法二耗時0.05551999999999424s，性能提升97.76% 

順帶一提，sorted()方法耗時0.1339823999987857s。

可以看出，sort()作為list專屬的排序方法還是很強的，sorted()雖然比前者慢一點，但是勝在它“不挑食”，它對所有的可迭代序列都有效。

擴充：如何定義sort()或sorted()方法的key

#1.透過lambda定義

#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.透過operator定義

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

operator的itemgetter()適用於普通數組排序，attrgetter()適用於物件數組排序

3.透過cmp_to_key()定義，最為靈活

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))

4.使用collections.Counter()計數

 Exp4：統計字串中每個字元出現的次數。

測試陣列：sentence=‘life is short, i choose python’。

• 方法一

counts = {}for char in sentence:
    counts[char] = counts.get(char, 0) + 1

• 方法二

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% 

5.使用列表推导

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)。

• 方法一

newlist = []for x in oldlist:
    if x % 2 == 1:
        newlist.append(x**2)

• 方法二

[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% 

6.使用 join() 连接字符串

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’]。

• 方法一

sentence = ""for word in oldlist:
    sentence += word

• 方法二

"".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

7.使用x, y = y, x交换变量

 Exp6：交换x，y的值。

测试数据：x, y = 100, 200。

• 方法一

temp = x
x = y
y = temp

• 方法二

x, y = y, x

方法一耗时 0.027853900000010867s，方法二耗时 0.02398730000000171s，性能提升 13.88% 

8.使用while 1取代while True

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。

• 方法一

i = 0while True:
    i += 1
    if i > 100:
        break

• 方法二

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% 

9.使用装饰器缓存

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)。

• 方法一

def fibonacci(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    return fibonacci(n - 1) + fibonacci(n-2)

• 方法二

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：

• 缓存是按照参数作为键，也就说在参数不变时，被lru_cache装饰的函数只会执行一次。
• 所有参数必须可哈希，例如list不能作为被lru_cache装饰的函数的参数。

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。

10.减少点运算符(.)的使用

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’]。

• 方法一

newlist = []for word in oldlist:
    newlist.append(str.upper(word))

• 方法二

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% 

11.使用for循环取代while循环

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。

• 方法一

i = 0while i 

• 方法二

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% 

12.使用Numba.jit加速计算

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。

• 方法一

def my_sum(n):
    x = 0
    for i in range(1, n+1):
        x += i    return x

• 方法二

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% 

13.使用Numpy矢量化数组

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]

• 方法一

[a[i]*b[i] for i in range(len(a))]

• 方法二

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% 

14.使用in检查列表成员

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’]

• 方法一

def check_member(target, lists):
    for member in lists:
        if member == target:
            return True    return False

• 方法二

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% 

15.使用itertools库迭代

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”]

• 方法一

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

• 方法二

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% 

结语

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：

1.尽量使用内置库函数

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。

2.尽量使用优秀的第三方库

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！

推薦學習：python學習教學

以上是Python使用絲般順滑的經典技巧總結的詳細內容。更多資訊請關注PHP中文網其他相關文章！