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
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:
與time函式庫相比,timeit 有兩個優點:
timeit.timeit(stmt='pass', setup='pass', timer=, number=1000000, globals=None) 參數說明:
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。
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']。
newlist = []for word in oldlist: newlist.append(word.upper())
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%
#Exp2:求兩個list的交集。
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))
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。
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]。
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()
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))
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’。
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!
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!