Langchain系列文章目錄

01-玩轉LangChain：從模型調用到Prompt模板與輸出解析的完整指南
02-玩轉 LangChain Memory 模塊：四種記憶類型詳解及應用場景全覆蓋
03-全面掌握 LangChain：從核心鏈條構建到動態任務分配的實戰指南
04-玩轉 LangChain：從文檔加載到高效問答系統構建的全程實戰
05-玩轉 LangChain：深度評估問答系統的三種高效方法（示例生成、手動評估與LLM輔助評估）
06-從 0 到 1 掌握 LangChain Agents：自定義工具 + LLM 打造智能工作流！

python系列文章目錄

01-Python 基礎語法入門：從變量到輸入輸出，零基礎也能學會！
02-Python 流程控制終極指南：if-else 和 for-while深度解析
03-Python 列表與元組全攻略：從新手到高手的必備指南
04-Python 字典與集合：從入門到精通的全面解析
05-Python函數入門指南：從定義到應用
06-Python 函數高級特性：從默認參數到閉包的全面解析
07-Python 模塊與包：從零到自定義的全面指南
08-Python異常處理：從入門到精通的實用指南
09-Python 文件操作：從零基礎到日志記錄實戰
10-Python面向對象編程入門：從類與對象到方法與屬性
11-Python類的方法與屬性：從入門到進階的全面解析
12-Python繼承與多態：提升代碼復用與靈活性的關鍵技術
13-掌握Python魔法方法：如何用__add__和__len__自定義類的行為
14-python面向對象編程總結：從基礎到進階的 OOP 核心思想與設計技巧
15-掌握 Python 高級特性：深入理解迭代器與生成器
16-用 Python 裝飾器提升效率：日志與權限驗證案例
17-再也不怕資源泄漏！Python 上下文管理器，with語句全攻略
18-Python 標準庫必備模塊：math、random、os、json 全解析
19-Python 性能優化：從入門到精通的實用指南

---

---

前言

Hey，你有沒有遇到過這樣的情況：代碼跑得太慢，CPU 風扇狂轉，甚至內存直接爆滿？在 Python 開發中，性能問題是個繞不過去的坎兒。無論是處理大數據、寫爬蟲，還是開發 Web 應用，優化性能都能讓你的程序更快、更省資源。這篇文章的目標很簡單：帶你從零開始，搞懂影響 Python 性能的因素，學會幾個超實用的優化技巧，還要教你怎么用 timeit 模塊測測代碼到底有多快。不管你是剛入門的小白，還是有點經驗的開發者，這里都有干貨等著你！

本文會聊三大塊：

• 影響 Python 性能的“幕后黑手”：時間復雜度和空間復雜度。
• 優化代碼的“錦囊妙計”：避免重復計算、減少 IO 操作。
• 性能檢測的“秘密武器”：timeit 模塊。

準備好了嗎？咱們這就開始！

---

一、影響 Python 性能的因素

性能優化得先知道問題出在哪兒，對吧？Python 雖然簡單好用，但有些地方不注意就會拖慢速度。這部分咱們聊聊兩個核心因素：時間復雜度和空間復雜度。

1.1 時間復雜度

時間復雜度聽起來有點學術，其實就是“你的代碼跑起來需要多久”。它跟數據量大小直接掛鉤，數據越多，影響越明顯。

1.1.1 為什么時間復雜度重要？

簡單說，時間復雜度決定了一個算法的效率。比如你在列表里找個數，數據量小還好，可要是列表里有幾百萬條數據，效率低的算法能讓你等到懷疑人生。

• 舉個例子：用列表和集合找數字的區別。

  # 列表找數字，時間復雜度 O(n)
  my_list = [1, 2, 3, 4, 5]
  if 3 in my_list:  # 得一個個檢查print("找到啦！")# 集合找數字，時間復雜度 O(1)
  my_set = {1, 2, 3, 4, 5}
  if 3 in my_set:  # 直接定位，超快print("找到啦！")
  

• 關鍵點：列表是線性查找，時間復雜度是 O(n)；集合用哈希表，平均時間復雜度是 O(1)。數據量越大，差距越明顯。

1.1.2 怎么優化時間復雜度？

• 建議：需要頻繁查找時，用集合（set）或字典（dict）代替列表。
• 場景：比如去重、查重這種操作，集合簡直是神器。

1.2 空間復雜度

時間跑得快還不夠，內存用得少也很重要。空間復雜度就是“你的代碼占了多少內存”。

1.2.1 空間復雜度為啥關鍵？

Python 自動管理內存，但用錯了數據結構，內存照樣吃緊。比如存一堆數字，用列表和生成器差別可不小。

• 舉個例子：

  # 列表存一百萬個數，全都加載到內存
  my_list = [i for i in range(1000000)]  # 內存占用大# 生成器，邊用邊生成，內存幾乎不占
  my_gen = (i for i in range(1000000))  # 超省空間
  

• 關鍵點：列表把所有數據都存下來，空間復雜度 O(n)；生成器只存當前值，空間復雜度接近 O(1)。

1.2.2 怎么優化空間復雜度？

• 建議：大數據場景下，優先用生成器或迭代器。
• 場景：比如讀取大文件、處理流數據，用生成器能省下不少內存。

---

二、Python 性能優化技巧

知道了影響性能的因素，咱們得動手優化代碼。這部分分享兩個超實用的技巧：避免重復計算和減少 IO 操作。

2.1 避免重復計算

重復計算就像你炒菜時把同一個蔥花切了十遍，太浪費時間！Python 里有些操作可以提前做好，省下不少力氣。

2.1.1 使用緩存機制

緩存就是把算過的結果存起來，下次直接拿來用。Python 自帶一個神器：functools.lru_cache。

• 代碼示例：優化遞歸計算斐波那契數列。

  from functools import lru_cache@lru_cache(maxsize=128)  # 緩存最多 128 個結果
  def fibonacci(n):if n < 2:return nreturn fibonacci(n-1) + fibonacci(n-2)print(fibonacci(50))  # 超快！
  

• 關鍵點：沒緩存時，遞歸會重復算好多次；加了緩存，直接查表，時間從“天文數字”變成“秒級”。
• 場景：遞歸函數、頻繁調用的計算任務。

2.1.2 預計算和惰性計算

• 預計算：提前把結果算好，比如程序啟動時把常用數據準備好。
• 惰性計算：用到時再算，用生成器就是典型例子。

  def lazy_range(n):i = 0while i < n:yield i  # 每次只生成一個數i += 1for num in lazy_range(1000):  # 按需取值print(num)
  

• 建議：不常用的數據用惰性計算，常用的小數據用預計算。

2.2 減少 IO 操作

IO 操作（比如讀文件、發網絡請求）特別慢，減少它的次數能讓代碼飛起來。

2.2.1 批量處理數據

別一行行讀文件，一次性讀完再處理效率更高。

• 代碼示例：

  # 逐行讀，IO 次數多
  def process(line):print(line)with open('file.txt', 'r') as f:for line in f:  # 每次都調用 IOprocess(line)# 一次性讀，IO 次數少
  with open('file.txt', 'r') as f:content = f.read()  # 一次讀完lines = content.splitlines()for line in lines:process(line)
  

• 關鍵點：批量操作把多次 IO 變成一次，速度提升明顯。
• 場景：讀寫大文件、數據庫操作。

2.2.2 使用異步 IO

網絡請求多的時候，等一個完再發下一個太慢，用異步 IO 可以同時處理。

• 代碼示例：用 asyncio 抓網頁。

  import asyncio
  import aiohttpasync def fetch_url(url):async with aiohttp.ClientSession() as session:async with session.get(url) as response:return await response.text()async def main():urls = ['http://example.com', 'http://example.org']tasks = [fetch_url(url) for url in urls]results = await asyncio.gather(*tasks)print(results[0][:100])  # 只打印前 100 個字符asyncio.run(main())
  

• 關鍵點：異步 IO 讓多個請求并行，特別適合爬蟲或高并發任務。
• 場景：網絡密集型任務。

---

三、使用 timeit 模塊測量代碼性能

優化完代碼，怎么知道效果咋樣？用 timeit 模塊測一測就知道了！

3.1 timeit 模塊簡介

timeit 是 Python 自帶的小工具，專門測小段代碼的運行時間。它會重復跑代碼取平均值，結果很靠譜。

3.1.1 為什么用 timeit？

手動用 time.time() 測時間不準，因為系統負載會干擾。timeit 跑很多次，數據更穩定。

3.2 如何使用 timeit 測量代碼性能

3.2.1 命令行使用 timeit

直接在終端跑，適合快速測試。

• 示例：測列表推導式的速度。

  python -m timeit "sum([i for i in range(1000)])"
  

• 輸出：類似“1000 loops, best of 5: 123 usec per loop”，表示平均每次多久。
• 建議：調試小代碼時用這個，簡單又快。

3.2.2 在代碼中使用 timeit

想在腳本里測？也很簡單。

• 代碼示例：

  import timeitdef my_function():return sum([i for i in range(1000)])# 跑 100 次，測總時間
  execution_time = timeit.timeit(my_function, number=100)
  print(f"總耗時: {execution_time} 秒")
  

• 關鍵點：number 是運行次數，自己調，別設太大跑不動。
• 場景：對比不同實現方案的性能。

---

四、總結

本文聊了 Python 性能優化的三大塊：

• 影響因素：時間復雜度管速度，空間復雜度管內存，選對數據結構很關鍵。
• 優化技巧：避免重復計算用緩存和生成器，減少 IO 用批量和異步。
• 測量工具：timeit 幫你量化優化效果。

希望你看完能有所收獲，趕緊把這些技巧用到自己的代碼里吧！有什么問題，隨時問我哦～

---