Python有时用起来确实很慢，我敢打赌你肯定抱怨过这一点，尤其是那些用惯了C，C ++或Java的人。

欢迎进群交流哈：1005066173

但其实很多时候，Python的效率并没有达到它应有的速度，有一些让它马达开足的小技巧，一起来学习吧！

1.避免使用全局变量

import mathsize = 10000

for x in range(size):

for y in range(size):

z = math.sqrt(x) + math.sqrt(y)

许多程序员一开始都会用Python语言编写一些简单的脚本。编写脚本时，通常直接使用全局变量，就像上面这段代码。

但由于全局变量和局部变量的实现方式不同，全局变量中定义的代码要比在函数中定义的函数运行起来慢得多。把脚本语句放入函数中，通常运行速度可提高15％-30％。如下所示：

import mathdef main():

size = 10000

for x in range(size):

for y in range(size):

z = math.sqrt(x) +math.sqrt(y)main()

2.避免数据重复

避免无意义的数据复制

def main():

size = 10000

for _ in range(size):

value = range(size)

value_list = [x for x in value]

square_list = [x * x for x invalue_list]main()

这段代码中，value_list完全没有必要，这会创建不必要的数据结构或复制。

def main():

size = 10000

for _ in range(size):

value = range(size)

square_list = [x * x for x invalue]main()

另一个原因在于Python的数据共享机制过于偏执，没有很好理解或信任内存模型，例如滥用copy.deepcopy（）函数。我们可以删除此类代码中的复制操作。

交换值时无需使用中间变量

def main():

size = 1000000

for _ in range(size):

a = 3

b = 5

temp = a

a = b

b = tempmain()

上述代码在交换值时创建了一个临时变量temp。如果没有中间变量，代码会更加简洁，运行速度也更快。

def main():

size = 1000000

for _ in range(size):

a = 3

b = 5

a, b = b, amain()

使用字符串联方法join ，而不是’+’

import string

from typing import Listdef concatString(string_list: List[str]) -> str:

result = ‘’

for str_i in string_list:

result += str_i

return resultdef main():

string_list =list(string.ascii_letters * 100)

for _ in range(10000):

result =concatString(string_list)main()

另一要点是a+b对字符串进行拼接，由于在Python中字符串是不可变的对象，所以实际上a和b分别复制到了应用程序的新内存空间中。

因此，如果拼接n个字符串会产生“ n-1”个中间结果，则每个字符串都会产生应用和复制内存所需的中间结果，从而严重影响操作效率。

在使用join（）串联字符串时，首先计算需要应用的总内存空间，然后立即申请所需的内存，再把每个字符串元素复制到内存中。

import string

from typing import Listdef concatString(string_list: List[str]) -> str:

return ‘’.join(string_list)defmain():

string_list = list(string.ascii_letters* 100)

for _ in range(10000):

result =concatString(string_list)main()

3.避免使用以下函数属性

避免访问模块和函数属性

import mathdef computeSqrt(size:int):

result = []

for i in range(size):

result.append(math.sqrt(i))

return resultdef main():

size = 10000

for _ in range(size):

result = computeSqrt(size)main()

use（属性访问运算符）会触发特定方法，例如getattribute（）和getattr（），这些方法将执行字典操作，会产生额外的时间消耗。

通过使用import语句，可以消除属性访问：

from math import sqrtdefcomputeSqrt(size: int):

result = []

for i in range(size):

result.append(sqrt(i))

return resultdef main():

size = 10000

for _ in range(size):

result = computeSqrt(size)main()

前文中我们讨论了局部变量可以比全局变量实现更快查找，对于经常访问的变量（如sqrt），可以通过更改为局部变量以加快操作速度。

import mathdef computeSqrt(size:int):

result = []

sqrt = math.sqrt

for i in range(size):

result.append(sqrt(i))

return resultdef main():

size = 10000

for _ in range(size):

result = computeSqrt(size)main()

避免类属性访问

import math

from typing import Listclass DemoClass:

def init(self, value: int):

self._value = value

def computeSqrt(self, size: int)-> List[float]:

result = []

append = result.append

sqrt = math.sqrt

for _ in range(size):

append(sqrt(self._value))

return resultdef main():

size = 10000

for _ in range(size):

demo_instance = DemoClass(size)

result =demo_instance.computeSqrt(size)main()

避免的原理也适用于类的属性，并且访问self._value的速度要比访问局部变量的速度要慢。通过把需要频繁访问的类属性分配给局部变量，可以提高代码执行速度。

import math

from typing import Listclass DemoClass:

def init(self, value: int):

self._value = value

def computeSqrt(self, size: int)-> List[float]:

result = []

append = result.append

sqrt = math.sqrt

value = self._value

for _ in range(size):

append(sqrt(value))

return resultdef main():

size = 10000

for _ in range(size):

demo_instance = DemoClass(size)

demo_instance.computeSqrt(size)main()

4.避免不必要的抽象

class DemoClass:

def init(self, value: int):

self.value = value@property

def value(self) -> int:

return self._value@value.setter

def value(self, x: int):

self._value = xdef main():

size = 1000000

for i in range(size):

demo_instance = DemoClass(size)

value = demo_instance.value

demo_instance.value = imain()

每当使用其他处理层（例如装饰器、属性访问、描述符）封装代码时，代码运行的速度也会变慢。在大多数情况下，重新检查是否有必要使用属性访问器定义是很有必要的。

使用getter/setter函数访问属性通常是被C/C++程序员遗忘的一种编码样式。如果确实没有必要，就使用简单属性就好。

class DemoClass:

def init(self, value: int):

self.value = valuedef main():

size = 1000000

for i in range(size):

demo_instance = DemoClass(size)

value = demo_instance.value

demo_instance.value = imain()

5.选择合适的数据结构

众所周知，列表是Python中的动态数组。当预分配的内存空间用完时，会预分配一定的内存空间，然后继续向其中添加元素。然后复制之前的所有原始元素，形成一个新的内存空间，在插入新元素之前销毁先前的内存空间。

因此，如果频繁添加或删除，或者添加或删除的元素数量太大，列表的效率就会变低，目前最好使用collections.deque。

此双端队列具有堆栈和队列的特性，并且可以在两端以O（1）复杂度执行插入和删除操作。

列表搜索操作非常耗时。当需要频繁查找某些元素或按顺序频繁访问这些元素时，保持列表 对象有序的情况下使用二分法，使用二进制搜索以提高搜索效率，但二进制搜索仅适用于有序元素。

另一个常见的要求是找到最小值或最大值。此时，可以使用heapq模块列出转换为堆的列表，因此获取最小值的时间复杂度为O（1）。

6.循环优化

使用 for 循环代替while 循环

def computeSum(size: int) ->int:

sum_ = 0

i = 0

while i < size:

sum_ += i

i += 1

return sum_def main():

size = 10000

for _ in range(size):

sum_ = computeSum(size)main()

要知道，Python中的for循环要比while循环快得多。

def computeSum(size: int) ->int:

sum_ = 0

for i in range(size):

sum_ += i

return sum_def main():

size = 10000

for _ in range(size):

sum_ = computeSum(size)main()

使用隐式for循环，而不是显式for循环

对于上面的示例，可以进一步使用隐式for循环替换显式for循环

def computeSum(size: int) ->int:

return sum(range(size))def main():

size = 10000

for _ in range(size):

sum = computeSum(size)main()

减少内部循环的计算

from math import sqrtdef main():

size = 10000 for x in range(size):

for y in range(size):

z = sqrt(x) + sqrt(y)main()

在上述for循环中的代码sqrt（x）中，在训练期间每次都需要进行重新计算，这会增加时间消耗。

import mathdef main():

size = 10000for x in range(size):

sqrt_x = sqrt(x)

for y in range(size):

z = sqrt_x + sqrt(y)main()

7.使用 numba.jit

继续遵循上述示例，并在此基础上使用numba.jit。Python函数JIT可以编译为机器代码用以执行，这能大大提高了代码执行速度。

import numba@numba.jit

def computeSum(size: float) -> int:

sum = 0

for i in range(size):

sum += i

return sumdef main():

size = 10000

for _ in range(size):

sum = computeSum(size)main()

8.代码优化原则

上文已经介绍了许多加速Python代码的技术。在编写代码的过程中，我们需要了解代码优化的一些基本原理，这可是“实用知识”。

第一个基本原则就是不要过早优化代码。

许多人一开始编写代码时就致力于性能优化，“加快正确程序的速度要比确保快速程序的正确运作容易得多。”优化代码的前提是确保代码可以正常工作。过早的优化可能会忽略对总体性能指标的掌握，并且在获得总体结果之前不要颠倒顺序。

第二个基本原则是权衡优化代码的成本。

优化代码是有代价的，想要解决所有性能问题几乎不可能。通常面临的选择是时间换空间或空间换时间，还需要考虑开发成本。

第三个原则是不要优化无关紧要的部分。

如果优化代码的每个部分后，这些变更会让代码变得难以阅读和理解。如果代码运行缓慢，首先必须找到代码运行缓慢的位置（通常是内部循环），重点优化代码运行缓慢的地方。对于其他位置，时间的损失影响很小。

优化代码，让你的Python开足马力，快去实践一下吧！