在工作中，我们常常面临着代码提速优化问题，本文就为大家介绍几种Python常用的提速技巧。

优化原则：
1.先保证代码可以正确运行，再进行性能优化
2.优化的选择通常是牺牲空间换取时间，所有我们需要权衡代价
3.着重优化代码耗时的部分，通篇优化通常会降低代码的可读性

0 定义耗时装饰器

# 可监控程序运行时间
import time
def clock(func):def wrapper(*args, **kwargs):start_time = time.time()result = func(*args, **kwargs)end_time = time.time()print("共耗时: %s秒" % round(end_time - start_time, 2))return resultreturn wrapper

1 避免使用全局变量

start_time = time.time()
size = 10000
for x in range(size):for y in range(size):z = x * y
end_time = time.time()
print('共耗时：%s秒' % round(end_time - start_time, 2))# 共耗时：11.78秒，不推荐

# 使用局部变量
@clock
def multiplication():size = 10000for x in range(size):for y in range(size):z = x * y
multiplication()# 共耗时: 5.5秒，提速50%

2 避免访问方法(函数)的属性，尽量使用from X import X

import math
@clock
def computeSqrt():result = []for i in range(10000000):# math方法访问sqrt属性result.append(math.sqrt(i))
computeSqrt()# 不推荐，共耗时: 2.09秒

# 使用from X import X，直接访问sqrt
from math import sqrt
@clock
def computeSqrt():result = []for i in range(10000000):result.append(sqrt(i))
computeSqrt()# 推荐，共耗时: 1.75秒

在【1】中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量append，通过将其改为局部变量可以加速运行。

from math import sqrt
@clock
def computeSqrt():result = []# 赋值给局部变量append = result.appendfor i in range(10000000):append(sqrt(i))
computeSqrt()# 推荐，共耗时: 1.45秒

3 遍历优化

# 使用while进行遍历
@clock
def circulate():i = 0li = []append = li.appendwhile i < 10000000:append(i*2)i += 1return li
circulate()# 不推荐，共耗时:1.48秒

@clock
def circulate():li = []append = li.append# 使用for代替whilefor i in range(10000000):append(i*2)return li
circulate()# for优于while，共耗时:1.09秒

@clock
def circulate():# 使用列表推导式return [i*2 for i in range(10000000)]
circulate()# 推荐列表推导式，共耗时:0.88秒。但不适用于复杂计算。

4 减少内层for循环的计算

from math import sqrt
@clock
def inner():size = 10000for x in range(size):for y in range(size):# 相当于在重复计算sqrt(x)z = sqrt(x) + sqrt(y)
inner() # 不推荐，共耗时:19.00秒

from  math import sqrt
@clock
def inner():size = 10000for x in range(size):# 只计算一次sqrt(x)，然后将它存了起来sqrt_x = sqrt(x)for y in range(size):z = sqrt_x + sqrt(y)
inner() # 推荐，共耗时:10.22秒

5 使用Numpy数据类型进行运算

因为Numpy底层是用C语言实现的，而Python这种脚本语言相比C/C++这种编译语言在效率和性能方面有天然劣势，所以我们可以引入Numpy包，对数据进行类型转换后再进行计算。

import numpy as npli = [i for i in range(10000000)]@clock
def npSpeed():# 使用Python方法sum(li)
npSpeed() # 共耗时0.79秒

import numpy as npli = np.array([i for i in range(100000000)])
@clock
def npSpeed():# 使用Numpy方法np.sum(li)
npSpeed() # 共耗时0.11秒，速度约是Python的8倍

Numpy的优势在数据量越大时，体现的也会更加明显。所以在机器学习与深度学习项目任务中，Numpy的使用就非常频繁。

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

• 方式①、发送如下图片至微信，长按识别，后台回复：加群；
• 方式②、添加微信号：dkl88191，备注：来自CSDN
• 方式③、微信搜索公众号：Python学习与数据挖掘，后台回复：加群