9 個讓 Python 性能更高的小技巧，你掌握了嗎？

我們經常聽到 “Python 太慢了”，“Python 性能不行”這樣的觀點。但是，只要掌握一些編程技巧，就能大幅提升 Python 的運行速度。

今天就讓我們一起來看下讓 Python 性能更高的 9 個小技巧

python學習資料分享（無償）：

在這里插入圖片描述

字符串拼接的技巧

如果有大量字符串等待處理，字符串連接將成為 Python 的瓶頸。

一般來講，Python 中有兩種字符串拼接方式：

使用該 join() 函數將字符串列表合并為一個字符串
使用 + or += 符號將每個字符串加成一個

那么哪種方式更快呢？我們一起來看一下

mylist = ["Yang", "Zhou", "is", "writing"]# Using '+'
def concat_plus():result = ""for word in mylist:result += word + " "return result# Using 'join()'
def concat_join():return " ".join(mylist)# Directly concatenation without the list
def concat_directly():return "Yang" + "Zhou" + "is" + "writing"

import timeitprint(timeit.timeit(concat_plus, number=10000))
# 0.002738415962085128
print(timeit.timeit(concat_join, number=10000))
# 0.0008482920238748193
print(timeit.timeit(concat_directly, number=10000))
# 0.00021425005979835987

如上所示，對于拼接字符串列表， join() 方法比在 for 循環中逐個添加字符串更快。

原因很簡單。一方面，字符串是 Python 中的不可變數據，每個 += 操作都會導致創建一個新字符串并復制舊字符串，這會導致非常大的開銷。

另一方面，.join() 方法是專門為連接字符串序列而優化的。它預先計算結果字符串的大小，然后一次性構建它。因此，它避免了與循環中 += 操作相關的開銷，因此速度更快。

但是，我們發現最快其實是直接用 + 拼接字符串，這是因為：

Python 解釋器可以在編譯時優化字符串的連接，將它們轉換為單個字符串。因為沒有循環迭代或函數調用，所以它是一個非常高效的操作。
由于所有字符串在編譯時都是已知的，因此 Python 可以非常快速地執行此操作，比循環中的運行時連接甚至優化 .join() 方法快得多。

總之，如果需要拼接字符串列表，請選擇 join() ；如果直接拼接字符串，只需使用 + 即可。

創建列表的技巧

Python 中創建列表的兩種常見方法是：

使用函數 list()
[] 直接使用

我們來看下這兩種方法的性能

import timeitprint(timeit.timeit('[]', number=10 ** 7))
# 0.1368238340364769
print(timeit.timeit(list, number=10 ** 7))
# 0.2958830420393497

結果表明，執行 list() 函數比直接使用 [] 要慢。

這是因為是 [] 字面語法( literal syntax )，而 list() 是構造函數調用。毫無疑問，調用函數需要額外的時間。

同理，在創建字典時，我們也應該利用 {} 而不是 dict()

成員關系測試的技巧

成員關系測試的性能很大程度上取決于底層數據結構

import timeitlarge_dataset = range(100000)
search_element = 2077large_list = list(large_dataset)
large_set = set(large_dataset)def list_membership_test():return search_element in large_listdef set_membership_test():return search_element in large_setprint(timeit.timeit(list_membership_test, number=1000))
# 0.01112208398990333
print(timeit.timeit(set_membership_test, number=1000))
# 3.27499583363533e-05

如上面的代碼所示，集合中的成員關系測試比列表中的成員關系測試要快得多。

這是為什么呢？

在 Python 列表中，成員關系測試（ element in list ）是通過遍歷每個元素來完成的，直到找到所需的元素或到達列表的末尾。因此，此操作的時間復雜度為 O（n）。
Python 中的集合是作為哈希表實現的。在檢查成員資格（ element in set ）時，Python 使用哈希機制，其時間復雜度平均為 O（1）。

這里的技巧重點是在編寫程序時仔細考慮底層數據結構。利用正確的數據結構可以顯著加快我們的代碼速度。

使用推導式而不是 for 循環

Python 中有四種類型的推導式：列表、字典、集合和生成器。它們不僅為創建相對數據結構提供了更簡潔的語法，而且比使用 for 循環具有更好的性能。

因為它們在 Python 的 C 實現中進行了優化。

import timeitdef generate_squares_for_loop():squares = []for i in range(1000):squares.append(i * i)return squaresdef generate_squares_comprehension():return [i * i for i in range(1000)]print(timeit.timeit(generate_squares_for_loop, number=10000))
# 0.2797503340989351
print(timeit.timeit(generate_squares_comprehension, number=10000))
# 0.2364629579242319

上面的代碼是列表推導式和 for 循環之間的簡單速度比較。如結果所示，列表推導式速度更快。

訪問局部變量速度更快

在 Python 中，訪問局部變量比訪問全局變量或對象的屬性更快。

import timeitclass Example:def __init__(self):self.value = 0obj = Example()def test_dot_notation():for _ in range(1000):obj.value += 1def test_local_variable():value = obj.valuefor _ in range(1000):value += 1obj.value = valueprint(timeit.timeit(test_dot_notation, number=1000))
# 0.036605041939765215
print(timeit.timeit(test_local_variable, number=1000))
# 0.024470250005833805

原理也很簡單：當編譯一個函數時，它內部的局部變量是已知的，但其他外部變量需要時間來檢索。

優先考慮內置模塊和庫

當我們討論 Python 的時候，通常指的是 CPython，因為 CPython 是 Python 語言的默認和使用最廣泛的實現。

考慮到它的大多數內置模塊和庫都是用C語言編寫的，C語言是一種更快、更低級的語言，我們應該利用它的內置庫，避免重復造輪子。

import timeit
import random
from collections import Counterdef count_frequency_custom(lst):frequency = {}for item in lst:if item in frequency:frequency[item] += 1else:frequency[item] = 1return frequencydef count_frequency_builtin(lst):return Counter(lst)large_list = [random.randint(0, 100) for _ in range(1000)]print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))
# 0.005160166998393834
print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))
# 0.002444291952997446

上面的程序比較了計算列表中元素頻率的兩種方法。正如我們所看到的，利用 collections 模塊的內置計數器比我們自己編寫 for 循環更快、更簡潔、更好。

使用緩存裝飾器

緩存是避免重復計算和提高程序速度的常用技術。

幸運的是，在大多數情況下，我們不需要編寫自己的緩存處理代碼，因為 Python 提供了一個開箱即用的裝飾器 — @functools.cache 。

例如，以下代碼將執行兩個斐波那契數生成函數，一個具有緩存裝飾器，但另一個沒有：

import timeit
import functoolsdef fibonacci(n):if n in (0, 1):return nreturn fibonacci(n - 1) + fibonacci(n - 2)@functools.cache
def fibonacci_cached(n):if n in (0, 1):return nreturn fibonacci_cached(n - 1) + fibonacci_cached(n - 2)# Test the execution time of each function
print(timeit.timeit(lambda: fibonacci(30), number=1))
# 0.09499712497927248
print(timeit.timeit(lambda: fibonacci_cached(30), number=1))
# 6.458023563027382e-06

可以看到 functools.cache 裝飾器如何使我們的代碼運行得更快。

緩存版本的速度明顯更快，因為它緩存了先前計算的結果。因此，它只計算每個斐波那契數一次，并從緩存中檢索具有相同參數的后續調用

while 1 VS while True

如果要創建無限 while 循環，我們可以使用 while True or while 1 .

它們的性能差異通常可以忽略不計。但有趣的是， while 1 稍微快一點。

這是因為是 1 字面量，但 True 是一個全局名稱，需要在 Python 的全局作用域中查找。所以 1 的開銷很小。

import timeitdef loop_with_true():i = 0while True:if i >= 1000:breaki += 1def loop_with_one():i = 0while 1:if i >= 1000:breaki += 1print(timeit.timeit(loop_with_true, number=10000))
# 0.1733035419601947
print(timeit.timeit(loop_with_one, number=10000))
# 0.16412191605195403

正如我們所看到的，確實 while 1 稍微快一些。

然而，現代 Python 解釋器(如 CPython )是高度優化的，這種差異通常是微不足道的。所以我們不需要擔心這個可以忽略不計的差異。更不用說 while True 比 while 1 可讀性更好。

按需導入 Python 模塊

在 Python 腳本開頭導入所有模塊似乎是每個人都會這么做的操作，事實上我們沒有必要導入全部的模塊。如果模塊太大，則根據需要導入它是一個更好的主意。

def my_function():import heavy_module# rest of the function

如上面的代碼所示，heavy_module 在函數中導入。這是一種“延遲加載”的思想：只有 my_function 被調用的時候該模塊才會被導入。

這種方法的好處是，如果 my_function 在腳本執行期間從未調用過，則 heavy_module 永遠不會加載，從而節省資源并減少腳本的啟動時間。