Python代码性能优化技巧

友情提醒:本文最后更新于 2123 天前,文中所描述的信息可能已发生改变,请谨慎使用。

    代码优化能够让程序运行更快,它是在不改变程序运行结果的情况下使得程序的运行效率更高,根据 80/20 原则,实现程序的重构、优化、扩展以及文档相关的事情通常需要消耗 80% 的工作量。优化通常包含两方面的内容:减小代码的体积,提高代码的运行效率。

1. 改进算法,选择合适的数据结构

一个良好的算法能够对性能起到关键作用,因此性能改进的首要点是对算法的改进。在算法的时间复杂度排序上依次是:

O(1) > O(lg n) > O(n lg n) > O(n^2) > O(n^3) > O(n^k) > O(k^n) > O(n!)

因此如果能够在时间复杂度上对算法进行一定的改进,对性能的提高不言而喻。但对具体算法的改进不属于本文讨论的范围,读者可以自行参考这方面资料。下面的内容将集中讨论数据结构的选择。

  • 字典 (dictionary) 与列表 (list)

    Python 字典中使用了 hash table,因此查找操作的复杂度为 O(1),而 list 实际是个数组,在 list 中,查找需要遍历整个 list,其复杂度为 O(n),因此对成员的查找访问等操作字典要比 list 更快。

    清单 1. 代码 dict.py
    from time import time
    t = time()
    list = ['a','b','is','python','jason','hello','hill','with','phone','test',
    'dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']
    # list = dict.fromkeys(list, True)
    print list
    filter = []
    for i in range (1000000):
        for find in ['is', 'hat', 'new', 'list', 'old', '.']:
            if find not in list:
                filter.append(find)
    print "total run time:"
    print time() - t

上述代码运行大概需要 16.09seconds。如果去掉行 #list = dict.fromkeys(list,True) 的注释,将 list 转换为字典之后再运行,时间大约为 8.375 seconds,效率大概提高了一半。因此在需要多数据成员进行频繁的查找或者访问的时候,使用 dict 而不是 list 是一个较好的选择,但是dictionary的占用内存比较高。

  • 集合 (set) 与列表 (list)

    set 的 union, intersection,difference 操作要比 list 的迭代要快。因此如果涉及到求 list 交集,并集或者差的问题可以转换为 set 来操作。

    清单 2. 求 list 的交集:
    from time import time
    t = time()
    lista = [1, 2, 3, 4, 5, 6, 7, 8, 9, 13, 34, 53, 42, 44]
    listb = [2, 4, 6, 9, 23]
    intersection = []
    for i in range(1000000):
        for a in lista:
            for b in listb:
                if a == b:
                    intersection.append(a)
    print "total run time:"
    print time() - t

    上述程序的运行时间大概为:

    total run time:
    38.4070000648

    清单 3. 使用 set 求交集

    from time import time
    t = time()
    lista = [1, 2, 3, 4, 5, 6, 7, 8, 9, 13, 34, 53, 42, 44]
    listb = [2, 4, 6, 9, 23]
    intersection = []
    for i in range(1000000):
        list(set(lista)&set(listb))
    print "total run time:"
    print time() - t

    改为 set 后程序的运行时间缩减为 8.75,提高了 4 倍多,运行时间大大缩短。读者可以自行使用表 1 其他的操作进行测试。

    表 1. set 常见用法

    语法 操作 说明
    set(list1) | set(list2) union 包含 list1 和 list2 所有数据的新集合
    set(list1) & set(list2) intersection 包含 list1 和 list2 中共同元素的新集合
    set(list1) - set(list2) difference  在 list1 中出现但不在 list2 中出现的元素的集合

2. 对循环的优化

对循环的优化所遵循的原则是尽量减少循环过程中的计算量,有多重循环的尽量将内层的计算提到上一层。 下面通过实例来对比循环优化后所带来的性能的提高。程序清单 4 中,如果不进行循环优化,其大概的运行时间约为 132.375。

清单 4. 为进行循环优化前
from time import time
t = time()
lista = [1,2,3,4,5,6,7,8,9,10]
listb = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 0.01]
for i in range(1000000):
    for a in range(len(lista)):
        for b in range(len(listb)):
            x = lista[a] + listb[b]
print "total run time:"
print time() - t

现在进行如下优化,将长度计算提到循环外,range用xrange代替,同时将第三层的计算lista[a]提到循环的第二层

清单 5. 循环优化后
from time import time
t = time()
lista = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
listb = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 0.01]
len1 = len(lista)
len2 = len(listb)
for i in xrange(1000000):
    for a in xrange(len1):
        temp = lista[a]
        for b in xrange(len2):
            x = temp + listb[b]
print "total run time:"
print time() - t

上述优化后的程序其运行时间缩短为 102.171999931。在清单 4 中 lista[a] 被计算的次数为 10000001010,而在优化后的代码中被计算的次数为 1000000*10,计算次数大幅度缩短,因此性能有所提升。

3. 充分利用 Lazy if-evaluation 的特性

python 中条件表达式是 lazy evaluation 的,也就是说如果存在条件表达式 if x and y,在 x 为 false 的情况下 y 表达式的值将不再计算。因此可以利用该特性在一定程度上提高程序效率。

清单 6. 利用 Lazy if-evaluation 的特性
from time import time
t = time()
abbreviations = ['cf.', 'e.g.', 'ex.', 'etc.', 'fig.', 'i.e.', 'Mr.', 'vs.']
for i in range(1000000):
    for w in ('Mr.', 'Hat', 'is', 'chasing', 'the', 'black', 'cat', '.'):
        if w in abbreviations:
        # if w[-1] == '.' and w in abbreviations:
            pass
print "total run time:"
print time() - t

在未进行优化之前程序的运行时间大概为 8.84,如果使用注释行代替第一个 if,运行的时间大概为 6.17。

4. 字符串的优化

python 中的字符串对象是不可改变的,因此对任何字符串的操作如拼接,修改等都将产生一个新的字符串对象,而不是基于原字符串,因此这种持续的 copy 会在一定程度上影响 python 的性能。对字符串的优化也是改善性能的一个重要的方面,特别是在处理文本较多的情况下。字符串的优化主要集中在以下几个方面:

  1. 在字符串连接的使用尽量使用 join() 而不是 +:在代码清单 7 中使用 + 进行字符串连接大概需要 0.125 s,而使用 join 缩短为 0.016s。因此在字符的操作上 join 比 + 要快,因此要尽量使用 join 而不是 +。

    清单 7. 使用 join 而不是 + 连接字符串
    from time import time
    
    t = time()
    s = ""
    list = ['a', 'b', 'b', 'd', 'e', 'f', 'g', 'h', 'i', 'j', 'k', 'l', 'm', 'n']
    for i in range(10000):
        for substr in list:
            s += substr
    print "total run time:"
    print time() - t

    同时要避免:

    s = ""
    for x in list:
       s += func(x)

    而是要使用:

    slist = [func(elt) for elt in somelist]
    s = "".join(slist)
    1. 当对字符串可以使用正则表达式或者内置函数来处理的时候,选择内置函数。如 str.isalpha(),str.isdigit(),str.startswith(('x', 'yz')),str.endswith(('x', 'yz'))

    2. 对字符进行格式化比直接串联读取要快,因此要使用

      out = "<html>%s%s%s%s</html>" % (head, prologue, query, tail)

      而避免

      out = "<html>" + head + prologue + query + tail + "</html>"

5. 使用列表解析(list comprehension)和生成器表达式(generator expression)

列表解析要比在循环中重新构建一个新的 list 更为高效,因此我们可以利用这一特性来提高运行的效率。

from time import time
t = time()
list = ['a','b','is','python','jason','hello','hill','with','phone','test',
'dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']
total = []
for i in range(1000000):
    for w in list:
        total.append(w)
print "total run time:"
print time() - t

使用列表解析:

for i in range(1000000):
    a = [w for w in list]

上述代码直接运行大概需要 17s,而改为使用列表解析后 ,运行时间缩短为 9.29s。将近提高了一半。生成器表达式则是在 2.4 中引入的新内容,语法和列表解析类似,但是在大数据量处理时,生成器表达式的优势较为明显,它并不创建一个列表,只是返回一个生成器,因此效率较高。在上述例子上中代码 a = [w for w in list] 修改为 a = (w for w in list),运行时间进一步减少,缩短约为 2.98s。

6. 其他优化技巧

  1. 如果需要交换两个变量的值使用 a, b=b, a 而不是借助中间变量 t = a; a = b; b = t;

    >>> from timeit import Timer
    >>> Timer("t=a;a=b;b=t","a=1;b=2").timeit()
    0.25154118749729365
    >>> Timer("a,b=b,a","a=1;b=2").timeit()
    0.17156677734181258
  1. 在循环的时候使用 xrange 而不是 range;使用 xrange 可以节省大量的系统内存,因为 xrange() 在序列中每次调用只产生一个整数元素。而 range() 將直接返回完整的元素列表,用于循环时会有不必要的开销。在 python3 中 xrange 不再存在,里面 range 提供一个可以遍历任意长度的范围的 iterator。
  2. 使用局部变量,避免"global" 关键字。python 访问局部变量会比全局变量要快得多,因此可以利用这一特性提升性能。
  3. if done is not None 比语句 if done != None 更快,读者可以自行验证;
  4. 在耗时较多的循环中,可以把函数的调用改为内联的方式;
  5. 使用级联比较 "x < y < z" 而不是 "x < y and y < z";
  6. while 1 要比 while True 更快(当然后者的可读性更好);

相关链接:

https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/index.html

上一篇:Python中dict()和{}的效率比较

下一篇:Python发布自己的包到pypi上