讨厌 Python 的人总是说，他们不想使用它的原因之一是它很慢。不管使用什么编程语言，程序是快还是慢都在很大程度上取决于编写程序的开发人员，以及他们编写最优化快速程序的技能和能力。在本文中，让我们来证明一下某些人的“误解”，看看如何提高 Python 程序的性能，使它们变得非常快！
本文最初发布于 martinheinz.dev 博客，经原作者授权由 InfoQ 中文站翻译并分享。
计时和性能分析
在我们开始优化任何东西之前，我们首先需要找出到底是代码的哪些部分减慢了整个程序。有时候，程序的瓶颈可能是显而易见的，但如果你不知道它在哪里，那么以下选项可以帮你找出来。
这是我将用于演示的程序，它计算 e 的 X 次方（摘自 Python 文档）：
# slow_program.pyfrom decimal import *def exp(x): getcontext().prec += 2 i, lasts, s, fact, num = 0, 0, 1, 1, 1 while s != lasts: lasts = s i += 1 fact *= i num *= x s += num / fact getcontext().prec -= 2 return +sexp(Decimal(150))exp(Decimal(400))exp(Decimal(3000))
复制代码
最懒的“性能分析”
首先是最简单同时又非常懒惰的解决方案——Unix time 命令：
~ $ time python3.8 slow_program.pyreal 0m11,058suser 0m11,050ssys 0m0,008s
复制代码
如果你只是想计算整个程序的运行时间，这就行了，但这通常不能满足需求……
最详细的性能分析
另一个极端是 cProfile，它提供的信息又太多了：
~ $ python3.8 -m cProfile -s time slow_program.py 1297 function calls (1272 primitive calls) in 11.081 seconds Ordered by: internal time ncalls tottime percall cumtime percall filename:lineno(function) 3 11.079 3.693 11.079 3.693 slow_program.py:4(exp) 1 0.000 0.000 0.002 0.002 {built-in method _imp.create_dynamic} 4/1 0.000 0.000 11.081 11.081 {built-in method builtins.exec} 6 0.000 0.000 0.000 0.000 {built-in method __new__ of type object at 0x9d12c0} 6 0.000 0.000 0.000 0.000 abc.py:132(__new__) 23 0.000 0.000 0.000 0.000 _weakrefset.py:36(__init__) 245 0.000 0.000 0.000 0.000 {built-in method builtins.getattr} 2 0.000 0.000 0.000 0.000 {built-in method marshal.loads} 10 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:1233(find_spec) 8/4 0.000 0.000 0.000 0.000 abc.py:196(__subclasscheck__) 15 0.000 0.000 0.000 0.000 {built-in method posix.stat} 6 0.000 0.000 0.000 0.000 {built-in method builtins.__build_class__} 1 0.000 0.000 0.000 0.000 __init__.py:357(namedtuple) 48 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:57(_path_join) 48 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:59(<listcomp>) 1 0.000 0.000 11.081 11.081 slow_program.py:1(<module>)
复制代码
在这里，我们使用 cProfile 模块和 time 参数运行测试脚本，这样就可以根据内部时间（cumtime）对代码行进行排序。这给了我们很多信息，上面的内容大约是实际输出的 10%。从这里，我们可以看到 exp 函数是罪魁祸首（惊喜！），现在我们可以得到更具体的时间和性能分析…
对具体的函数计时
现在我们知道了应该将注意力放在哪里，我们可能希望对慢速函数进行计时，而不需要测量代码的其余部分。我们可以使用简单的装饰器：
def timeit_wrapper(func): @wraps(func) def wrapper(*args, **kwargs): start = time.perf_counter() # Alternatively, you can use time.process_time() func_return_val = func(*args, **kwargs) end = time.perf_counter() print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start)) return func_return_val return wrapper
复制代码
接下来，可以把这个装饰器应用到函数上，像下面这样：
@timeit_wrapperdef exp(x): ...print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time'))exp(Decimal(150))exp(Decimal(400))exp(Decimal(3000))
复制代码
输出如下：
~ $ python3.8 slow_program.pymodule function time __main__ .exp : 0.003267502994276583__main__ .exp : 0.038535295985639095__main__ .exp : 11.728486061969306
复制代码
需要考虑的一件事是我们实际上（想）测量的是哪种时间。时间包提供了 time.perf_counter 和 time.process_time。它们的不同之处在于 perf_counter 返回绝对值，其中包括 Python 程序进程不运行时的时间，因此可能会受到机器负载的影响。另一方面，process_time 只返回用户时间（不包括系统时间），只是进程的时间。
使之变快
有趣的部分来了。我们将让你的 Python 程序运行得更快一些。我（基本上）不会向你展示一些能够神奇地解决性能问题的骇客技术、技巧和代码片段。这里介绍的更多的是一般的想法和策略，当你使用它们时，可以对性能产生巨大的影响，在某些情况下可以提高 30%的速度。
使用内置数据类型
这一点很明显。内置数据类型非常快，特别是与树或链表等自定义类型相比。这主要是因为内置类型是用 C 实现的，在用 Python 编码时，我们无法在速度上与之匹配。
使用 lru_cache 缓存数据
我已经在之前的博文中介绍过这个，但是我认为值得通过一个简单的例子再说明一下：
import functoolsimport time# 最多缓存12个不同的结果@functools.lru_cache(maxsize=12)def slow_func(x): time.sleep(2) # 模拟长时间计算 return xslow_func(1) # ... 等待2秒才能获得结果slow_func(1) # 结果已缓存，会立即返回slow_func(3) # ... 等待2秒才能获得结果
复制代码
上面的函数使用 time.sleep 模拟大量计算。第一次使用参数 1 调用时，它将等待 2 秒，然后才返回结果。当再次调用时，结果已经被缓存，因此，它会跳过函数体并立即返回结果。要了解更多真实的例子，请点击这里查看以前的博文。
使用局部变量
这与在每个作用域内查找变量的速度有关。我会写每个作用域，因为它不只关乎使用局部变量还是全局变量。查找速度也确实存在差异，函数中的局部变量最快，类级属性（例如 self.name）次之，而全局（例如导入的函数 time.time）变量最慢。
你可以像下面这样，使用不必要的赋值来提升性能：
# 示例#1class FastClass: def do_stuff(self): temp = self.value # 这可以加速循环中的查找 for i in range(10000): ... # 在这里使用`temp`做些操作# 示例#2import randomdef fast_function(): r = random.random for i in range(10000): print(r()) # 在这里调用`r()`，比全局的random.random()要快
复制代码
使用函数
这看起来可能不符合直觉，因为调用函数会将更多的东西放到堆栈中，从函数返回时会产生开销，但这与前面一点有关。如果你只是将整个代码放入一个文件中，而不将其放入函数中，那么由于全局变量的关系，速度会慢很多。因此，你只是将整个代码封装在 main 函数中并调用一次，就可以加快你的代码，像这样:
def main(): ... # 之前所有的全局代码main()
复制代码
不要访问属性
另一个可能降低程序速度的是点操作符（.），它可以用于访问对象属性。这个操作符使用_getattribute__触发字典查找，这会在代码中产生额外的开销。那么，我们如何才能避免（限制）使用它呢？
# 慢:import redef slow_func(): for i in range(10000): re.findall(regex, line) # 慢!# 快:from re import findalldef fast_func(): for i in range(10000): findall(regex, line) # 较快!
复制代码
提防字符串
在循环中运行诸如模数（%s）或.format()之类的方法时，对字符串的操作可能会变得非常慢。我们还有什么更好的选择吗？根据 Raymond Hettinger 最近的推文，我们唯一应该使用的是 f-string，它是最易读、最简洁、最快速的方法。因此，根据那条推文，你可以使用以下方法——从最快的到最慢的：
f'{s} {t}' # 快!s + ' ' + t ' '.join((s, t))'%s %s' % (s, t) '{} {}'.format(s, t)Template('$s $t').substitute(s=s, t=t) # 慢!
复制代码
生成器本身并没有更快，因为它们允许延迟计算，这节省的是内存而不是时间。但是，节省的内存可能会使得程序在实际运行时更快。为什么？如果你有一个大型数据集，并且没有使用生成器（迭代器），那么数据可能会溢出 CPU L1 缓存，这将显著降低在内存中查找值的速度。
说到性能，很重要的一点是 CPU 可以将它正在处理的所有数据保存在缓存中。你可以看下Raymond Hettingers的演讲，他提到了这些问题。
小结
优化的第一原则是不做优化。但是，如果你真的需要，我希望这些小技巧能帮到你。不过，在优化代码时要注意，因为它可能会使代码难于阅读、难于维护，甚至超过优化带来的好处。
原文链接：
https://martinheinz.dev/blog/13
评论