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.py
from 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 +s
exp(Decimal(150))
exp(Decimal(400))
exp(Decimal(3000))

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.py
real	0m11,058s
user	0m11,050s
sys 	0m0,008s

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>)

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

接下来，可以把这个装饰器应用到函数上，像下面这样：

@timeit_wrapper
def exp(x):
    ...
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time'))
exp(Decimal(150))
exp(Decimal(400))
exp(Decimal(3000))

输出如下：

~ $ python3.8 slow_program.py
module     function   time  
__main__  .exp      : 0.003267502994276583
__main__  .exp      : 0.038535295985639095
__main__  .exp      : 11.728486061969306

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 functools
import 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 x
slow_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

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#1
class 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#2
import random
def 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

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()

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 re
def slow_func():
    for i in range(10000):
        re.findall(regex, line)  # 慢!
#  快:
from re import findall
def fast_func():
    for i in range(10000):
        findall(regex, line)  # 较快!

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!

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

创作场景

如何使 Python 程序快如闪电，提速 30%？