9 个让你的 Python 代码更快的小技巧

哈喽大家好，我是咸鱼

我们经常听到 "Python 太慢了"，"Python 性能不行"这样的观点。但是，只要掌握一些编程技巧，就能大幅提升 Python 的运行速度。

今天就让我们一起来看下让 Python 性能更高的 9 个小技巧

原文链接：

medium.com/techtofreed...

字符串拼接的技巧

如果有大量字符串等待处理，字符串连接将成为 Python 的瓶颈。

一般来讲，Python 中有两种字符串拼接方式：

使用该 join() 函数将字符串列表合并为一个字符串
使用 + or += 符号将每个字符串加成一个

那么哪种方式更快呢？我们一起来看一下

ruby 复制代码

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"

ini 复制代码

import timeit

print(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，对于拼接字符串列表， join() 方法比在 for 循环中逐个添加字符串更快。

原因很简单。一方面，字符串是 Python 中的不可变数据，每个 += 操作都会导致创建一个新字符串并复制旧字符串，这会导致非常大的开销。

另一方面，.join() 方法是专门为连接字符串序列而优化的。它预先计算结果字符串的大小，然后一次性构建它。因此，它避免了与循环中 += 操作相关的开销，因此速度更快。

但是，我们发现最快其实是直接用 + 拼接字符串，这是因为：

Python 解释器可以在编译时优化字符串的连接，将它们转换为单个字符串。因为没有循环迭代或函数调用，所以它是一个非常高效的操作。
由于所有字符串在编译时都是已知的，因此 Python 可以非常快速地执行此操作，比循环中的运行时连接甚至优化 .join() 方法快得多。

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

创建列表的技巧

Python 中创建列表的两种常见方法是：

使用函数 list()
[] 直接使用

我们来看下这两种方法的性能

ini 复制代码

import timeit

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

结果表明，执行 list() 函数比直接使用 [] 要慢。

这是因为是 [] 字面语法( literal syntax )，而 list() 是构造函数调用。毫无疑问，调用函数需要额外的时间。

同理，在创建字典时，我们也应该利用 {} 而不是 dict()

成员关系测试的技巧

成员关系测试的性能很大程度上取决于底层数据结构

ini 复制代码

import timeit

large_dataset = range(100000)
search_element = 2077

large_list = list(large_dataset)
large_set = set(large_dataset)


def list_membership_test():
    return search_element in large_list


def set_membership_test():
    return search_element in large_set


print(timeit.timeit(list_membership_test, number=1000))
# 0.01112208398990333
print(timeit.timeit(set_membership_test, number=1000))
# 3.27499583363533e-05

如上面的代码所示，集合中的成员关系测试比列表中的成员关系测试要快得多。

这是为什么呢？

在 Python 列表中，成员关系测试（ element in list ）是通过遍历每个元素来完成的，直到找到所需的元素或到达列表的末尾。因此，此操作的时间复杂度为 O（n）。
Python 中的集合是作为哈希表实现的。在检查成员资格（ element in set ）时，Python 使用哈希机制，其时间复杂度平均为 O（1）。

这里的技巧重点是在编写程序时仔细考虑底层数据结构。利用正确的数据结构可以显著加快我们的代码速度。

使用推导式而不是 for 循环

Python 中有四种类型的推导式：列表、字典、集合和生成器。它们不仅为创建相对数据结构提供了更简洁的语法，而且比使用 for 循环具有更好的性能。

因为它们在 Python 的 C 实现中进行了优化。

python 复制代码

import timeit


def generate_squares_for_loop():
    squares = []
    for i in range(1000):
        squares.append(i * i)
    return squares


def 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

上面的代码是列表推导式和 for 循环之间的简单速度比较。如结果所示，列表推导式速度更快。

访问局部变量速度更快

在 Python 中，访问局部变量比访问全局变量或对象的属性更快。

ini 复制代码

import timeit


class Example:
    def __init__(self):
        self.value = 0


obj = Example()


def test_dot_notation():
    for _ in range(1000):
        obj.value += 1


def test_local_variable():
    value = obj.value
    for _ in range(1000):
        value += 1
    obj.value = value


print(timeit.timeit(test_dot_notation, number=1000))
# 0.036605041939765215
print(timeit.timeit(test_local_variable, number=1000))
# 0.024470250005833805

原理也很简单：当编译一个函数时，它内部的局部变量是已知的，但其他外部变量需要时间来检索。

优先考虑内置模块和库

当我们讨论 Python 的时候，通常指的是 CPython，因为 CPython 是 Python 语言的默认和使用最广泛的实现。

考虑到它的大多数内置模块和库都是用C语言编写的，C语言是一种更快、更低级的语言，我们应该利用它的内置库，避免重复造轮子。

python 复制代码

import timeit
import random
from collections import Counter


def count_frequency_custom(lst):
    frequency = {}
    for item in lst:
        if item in frequency:
            frequency[item] += 1
        else:
            frequency[item] = 1
    return frequency


def 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

上面的程序比较了计算列表中元素频率的两种方法。正如我们所看到的，利用 collections 模块的内置计数器比我们自己编写 for 循环更快、更简洁、更好。

使用缓存装饰器

缓存是避免重复计算和提高程序速度的常用技术。

幸运的是，在大多数情况下，我们不需要编写自己的缓存处理代码，因为 Python 提供了一个开箱即用的装饰器 --- @functools.cache 。

例如，以下代码将执行两个斐波那契数生成函数，一个具有缓存装饰器，但另一个没有：

python 复制代码

import timeit
import functools


def fibonacci(n):
    if n in (0, 1):
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)


@functools.cache
def fibonacci_cached(n):
    if n in (0, 1):
        return n
    return 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 装饰器如何使我们的代码运行得更快。

缓存版本的速度明显更快，因为它缓存了先前计算的结果。因此，它只计算每个斐波那契数一次，并从缓存中检索具有相同参数的后续调用

while 1 VS while True

如果要创建无限 while 循环，我们可以使用 while True or while 1 .

它们的性能差异通常可以忽略不计。但有趣的是， while 1 稍微快一点。

这是因为是 1 字面量，但 True 是一个全局名称，需要在 Python 的全局作用域中查找。所以 1 的开销很小。

python 复制代码

import timeit


def loop_with_true():
    i = 0
    while True:
        if i >= 1000:
            break
        i += 1


def loop_with_one():
    i = 0
    while 1:
        if i >= 1000:
            break
        i += 1


print(timeit.timeit(loop_with_true, number=10000))
# 0.1733035419601947
print(timeit.timeit(loop_with_one, number=10000))
# 0.16412191605195403

正如我们所看到的，确实 while 1 稍微快一些。

然而，现代 Python 解释器(如 CPython )是高度优化的，这种差异通常是微不足道的。所以我们不需要担心这个可以忽略不计的差异。更不用说 while True 比 while 1 可读性更好。

按需导入 Python 模块

在 Python 脚本开头导入所有模块似乎是每个人都会这么做的操作，事实上我们没有必要导入全部的模块。如果模块太大，则根据需要导入它是一个更好的主意。

python 复制代码

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

如上面的代码所示，heavy_module 在函数中导入。这是一种"延迟加载"的思想：只有 my_function 被调用的时候该模块才会被导入。

这种方法的好处是，如果 my_function 在脚本执行期间从未调用过，则 heavy_module 永远不会加载，从而节省资源并减少脚本的启动时间。