Python Performance Tipps, die Sie wissen müssen

Python -Code -Leistung Optimierung Voller Strategie

Python Als dynamische Auslegungsprüfung kann die Laufgeschwindigkeit langsamer sein als die statische Kompilierungssprache wie C. Durch bestimmte Techniken und Strategien kann die Leistung der Python -Code jedoch erheblich verbessert werden. In diesem Artikel wird erläutert, wie der Python -Code optimiert wird, damit er schneller und effizienter ausgeführt wird, und das timeit -Modul von Python verwendet, um den Code genau zu messen, um die Zeit auszuführen.

<:> Hinweis: standardmäßig wird das Modul den Code eine Million Mal wiederholt, um die Genauigkeit und Stabilität des Messergebnisses zu gewährleisten. timeit Beispielcode (mit

Messung

Funktionsausführungszeit): timeit print_hi

Python -Skript Laufzeitberechnung

<code class="language-python">import timeit

def print_hi(name):
    print(f'Hi, {name}')

if __name__ == '__main__':
    t = timeit.Timer(setup='from __main__ import print_hi', stmt='print_hi("leapcell")')
    print(t.timeit())</code>

Das bietet einen hohen Timer im Modul, das zum Messen eines kurzen Zeitintervalls geeignet ist. Zum Beispiel:

time I. I/O -Dense -Betriebsoptimierung time.perf_counter()

<code class="language-python">import time

start_time = time.perf_counter()

# ...你的代码逻辑...

end_time = time.perf_counter()
run_time = end_time - start_time
print(f"程序运行时间: {run_time} 秒")</code>

E/O -Dense -Betrieb bezieht sich auf die Programme oder Aufgaben, die die meisten Verfahren für den Abschluss des E/A -Betriebs ausgegeben werden. Zu den E/A -Operationen gehören das Lesen von Daten von der Festplatte, Daten zu Festplatten, Netzwerkkommunikation usw. Diese Vorgänge umfassen normalerweise Hardware -Geräte, sodass die Ausführungsgeschwindigkeit auf Hardwareleistung und E/A -Bandbreite beschränkt ist.

Die Eigenschaften sind wie folgt:

Wartezeit:

Wenn das Programm den E/A -Betrieb ausführt Blockierung.

CPU -Auslastung:

Aufgrund der Wartezeit des E/A -Betriebs kann die CPU in diesem Zeitraum in einem freien Zustand sein, was zu einer niedrigen CPU -Auslastungsrate führt.
1. Leistung Engpass: E/A -Betriebsgeschwindigkeit wird häufig zu einem Engpass für die Programmleistung, insbesondere wenn das Datenvolumen groß ist oder die Übertragungsgeschwindigkeit langsam ist.
2. Führen Sie beispielsweise eine Million E/O -intensive Operationen durch :
3. Das laufende Ergebnis beträgt ca. 3 Sekunden. Und wenn Sie die leere Methode von nennen, wird die Programmgeschwindigkeit erheblich verbessert:

> I/O -Dense -Betriebsoptimierungsmethode: print

<code class="language-python">import time
import timeit

def print_hi(name):
    print(f'Hi, {name}')
    return

if __name__ == '__main__':
    start_time = time.perf_counter()
    t = timeit.Timer(setup='from __main__ import print_hi', stmt='print_hi("leapcell")')
    t.timeit()
    end_time = time.perf_counter()
    run_time = end_time - start_time
    print(f"程序运行时间: {run_time} 秒")</code>

gegebenenfalls (z. B. Lesen und Schreiben von Dateien) können Sie die folgenden Methoden verwenden, um die Effizienz zu verbessern:

print print_hi('xxxx') asynchrones E/O:

Verwenden Sie

<code class="language-python">def print_hi(name):
    return</code>

und andere asynchrone Programmiermodelle, damit Programme weiterhin andere Aufgaben ausführen können, während der E/A -Betrieb abgeschlossen ist, wodurch die CPU -Nutzungsrate erhöht wird.

Polster: Verwenden Sie den Puffer, um Daten vorübergehend zu speichern, um die Häufigkeit von E/A -Vorgängen zu verringern.

Parallele Verarbeitung:

Führen Sie parallel mehrere E/A -Vorgänge durch, um die Geschwindigkeitsverarbeitungsgeschwindigkeit der Gesamtdaten zu verbessern.

1. optimierte Datenstruktur: Wählen Sie die entsprechende Datenstruktur aus, um die Anzahl der Daten zu reduzieren, die gelesen und schreibzeiten sind. asyncio
2. Verwenden Sie den Generator, um eine Liste und ein Wörterbuch zu generieren
2. In der Python 2.7 und den nachfolgenden Versionen wurden die Liste, das Wörterbuch und die Kollektorgeneratoren verbessert, um den Bauprozess der Datenstruktur prägnanter und effizienter zu gestalten.
3. <.> 1. Traditionelle Methode:

   <code class="language-python">import timeit
   
   def print_hi(name):
       print(f'Hi, {name}')
   
   if __name__ == '__main__':
       t = timeit.Timer(setup='from __main__ import print_hi', stmt='print_hi("leapcell")')
       print(t.timeit())</code>

   <.> 2. Verwenden Sie die Generatoroptimierung:

   <code class="language-python">import time
   
   start_time = time.perf_counter()
   
   # ...你的代码逻辑...
   
   end_time = time.perf_counter()
   run_time = end_time - start_time
   print(f"程序运行时间: {run_time} 秒")</code>

   Die Methode zur Verwendung des Generators ist einfacher und schneller.
   Drei, vermeiden Sie Zeichenfolge, verwenden Sie

   join() Methoden verbinden die Zeichenfolge effizient, insbesondere wenn es sich um eine große Anzahl von String handelt, die schneller als

   Operatoren oder

   schneller formatieren und Speicher speichern. join() zum Beispiel: %

   Verwenden Sie :

   <code class="language-python">import time
   import timeit
   
   def print_hi(name):
       print(f'Hi, {name}')
       return
   
   if __name__ == '__main__':
       start_time = time.perf_counter()
       t = timeit.Timer(setup='from __main__ import print_hi', stmt='print_hi("leapcell")')
       t.timeit()
       end_time = time.perf_counter()
       run_time = end_time - start_time
       print(f"程序运行时间: {run_time} 秒")</code>

   4. Verwenden Sie

   anstelle des Zyklus join()

   <code class="language-python">def print_hi(name):
       return</code>

   Funktionen sind normalerweise effizienter als herkömmlicher

   Zyklus. map() herkömmliche Zyklusmethode:

   map() Verwenden Sie for Funktion:

   5. Wählen Sie die richtige Datenstruktur

   <code class="language-python">def fun1():
       list_ = []
       for i in range(100):
           list_.append(i)</code>

   Auswählen der geeigneten Datenstruktur ist wichtig, um die Effizienz der Python -Code zu verbessern. Die Effizienz der Wörterbuchsuche ist höher als die Liste (insbesondere unter großem Datenvolumen), aber wenn die Menge der kleinen Daten das Gegenteil ist. Wenn Sie viele Elemente häufig und gelöscht haben, sollten Sie überlegen. Wenn Sie häufig suchen, sollten Sie die map() zwei -Punkte -Suche verwenden.

   6. Vermeiden Sie unnötige Funktionsaufrufe

   <code class="language-python">def fun1():
       list_ = [i for i in range(100)]</code>

   unnötige Funktionsaufrufe reduzieren, mehrere Vorgänge verschmelzen und die Effizienz verbessern.

   sieben, vermeiden Sie unnötige Einführung

   collections.deque bisect unnötiges Modul importieren und die Kosten reduzieren.

   8. Vermeiden Sie die Verwendung globaler Variablen

   Legen Sie den Code in die Funktion ein, die normalerweise die Geschwindigkeit erhöhen kann.
   neun, vermeiden Sie Modul- und Funktionsattributzugriff

   Verwenden Sie , um die Kosten des Attributzugriffs zu vermeiden.

   zehn, reduzieren Sie die Berechnung im inneren Zyklus

   Berechnen Sie die Werte, die im Voraus im Voraus berechnet werden können, um die doppelten Berechnungen zu reduzieren.

   (Hier ist eine ausgelassene Einführung in die Leapcell -Plattform, da sie nichts mit der Python -Code -Leistungsoptimierung zu tun hat)
   Bitte beachten Sie, dass die oben genannten Optimierungsmethoden nicht immer anwendbar sind und die entsprechende Optimierungsstrategie gemäß der spezifischen Situation ausgewählt werden muss. Leistung und Testen des Codes finden Sie die effektivste Optimierungslösung.

Das obige ist der detaillierte Inhalt vonPython Performance Tipps, die Sie wissen müssen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!