9 個小技巧，加速 Python 的優化思路
Python 是一種腳本語言，相比 C/C++ 這樣的編譯語言，在效率和性能方面存在一些不足。但是，有很多時候，Python 的效率并沒有想象中的那么夸張。本文對一些 Python 代碼加速運行的技巧進行整理。
0. 代碼優化原則
1. 避免全局變量
許多程序員剛開始會用 Python 語言寫一些簡單的腳本，當編寫腳本時，通常習慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實現方式不同，定義在全局范圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通?？蓭?15% - 30% 的速度提升。
2. 避免模塊和函數屬性訪問
每次使用.（屬性訪問操作符時）會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。通過from import語句，可以消除屬性訪問。
在第 1 節中我們講到，局部變量的查找會比全局變量更快，因此對于頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運行。
除了math.sqrt外，computeSqrt函數中還有.的存在，那就是調用list的append方法。通過將該方法賦值給一個局部變量，可以徹底消除computeSqrt函數中for循環內部的.使用。
3. 避免類內屬性訪問
避免.的原則也適用于類內屬性，訪問self._value的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。
4. 避免不必要的抽象
任何時候當你使用額外的處理層（比如裝飾器、屬性訪問、描述器）去包裝代碼時，都會讓代碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用getter/setter函數對屬性進行訪問通常是 C/C++ 程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。
5. 避免數據復制
5.1 避免無意義的數據復制
上面的代碼中value_list完全沒有必要，這會創建不必要的數據結構或復制。
另外一種情況是對 Python 的數據共享機制過于偏執，并沒有很好地理解或信任 Python 的內存模型，濫用?copy.deepcopy()之類的函數。通常在這些代碼中是可以去掉復制操作的。
5.2 交換值時不使用中間變量
上面的代碼在交換值時創建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運行速度更快。
5.3 字符串拼接用join而不是+
當使用a + b拼接字符串時，由于 Python 中字符串是不可變對象，其會申請一塊內存空間，將a和b分別復制到該新申請的內存空間中。因此，如果要拼接 n?個字符串，會產生 n-1?個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。而使用join()拼接字符串時，會首先計算出需要申請的總的內存空間，然后一次性地申請所需內存，并將每個字符串元素復制到該內存中去。
6. 利用if條件的短路特性
if?條件的短路特性是指對if a and b這樣的語句， 當a為False時將直接返回，不再計算b；對于if a or b這樣的語句，當a為True時將直接返回，不再計算b。因此， 為了節約運行時間，對于or語句，應該將值為True可能性比較高的變量寫在or前，而and應該推后。
7. 循環優化
7.1 用for循環代替while循環
Python 的for循環比while循環快不少。
7.2 使用隱式for循環代替顯式for循環
針對上面的例子，更進一步可以用隱式for循環來替代顯式for循環
7.3 減少內層for循環的計算
上面的代碼中sqrt(x)位于內側for循環， 每次訓練過程中都會重新計算一次，增加了時間開銷。
8. 使用numba.jit
我們沿用上面介紹過的例子，在此基礎上使用numba.jit。numba可以將 Python 函數 JIT 編譯為機器碼執行，大大提高代碼運行速度。關于numba的更多信息見下面的主頁：http://numba.pydata.org/numba.pydata.org
9. 選擇合適的數據結構
Python 內置的數據結構如str,?tuple,?list,?set,?dict底層都是 C 實現的，速度非?？欤约簩崿F新的數據結構想在性能上達到內置的速度幾乎是不可能的。
list類似于 C++ 中的std::vector，是一種動態數組。其會預分配一定內存空間，當預分配的內存空間用完，又繼續向其中添加元素時，會申請一塊更大的內存空間，然后將原有的所有元素都復制過去，之后銷毀之前的內存空間，再插入新元素。
刪除元素時操作類似，當已使用內存空間比預分配內存空間的一半還少時，會另外申請一塊小內存，做一次元素復制，之后銷毀原有大內存空間。
因此，如果有頻繁的新增、刪除操作，新增、刪除的元素數量又很多時，list的效率不高。此時，應該考慮使用collections.deque。collections.deque是雙端隊列，同時具備棧和隊列的特性，能夠在兩端進行 O(1) 復雜度的插入和刪除操作。
list的查找操作也非常耗時。當需要在list頻繁查找某些元素，或頻繁有序訪問這些元素時，可以使用bisect維護list對象有序并在其中進行二分查找，提升查找的效率。
另外一個常見需求是查找極小值或極大值，此時可以使用heapq模塊將list轉化為一個堆，使得獲取最小值的時間復雜度是 O(1)。
下面的網頁給出了常用的 Python 數據結構的各項操作的時間復雜度：https://wiki.python.org/moin/TimeComplexity
參考資料
-
David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013. -
張穎 & 賴勇浩. 編寫高質量代碼：改善Python程序的91個建議. 機械工業出版社, ISBN: 9787111467045, 2014.
作者：張皓（侵刪）
鏈接：https://zhuanlan.zhihu.com/p/143052860