Python을 실크처럼 부드럽게 사용하는 고전적인 기술 요약

이 글은 python에 대한 관련 지식을 제공합니다. 함수 매핑을 위한 맵 사용, 교차점 찾기를 위한 세트 사용 등 Python의 성능을 향상하기 위한 몇 가지 팁을 주로 요약하고 소개합니다. 모두에게 도움이 되기를 바랍니다. 돕다.

추천 학습: Python 학습 튜토리얼

프로그램의 실행 시간을 측정하는 방법

Python에 대해, 프로그램의 실행 시간을 정확하게 측정하는 방법 이 질문은 간단해 보이지만 실제로는 매우 복잡합니다. 프로그램의 실행 시간은 운영 체제, Python 버전 및 관련 하드웨어(CPU 성능, 메모리 읽기 및 쓰기 속도) 등과 같은 여러 요소의 영향을 받기 때문입니다. 동일한 컴퓨터에서 동일한 버전의 언어를 실행할 때 위의 요소는 확실하지만 프로그램의 절전 시간은 여전히 ​​변경되고 컴퓨터에서 실행되는 다른 프로그램도 실험을 방해하므로 엄밀히 말하면 이것은 "실험"입니다. 반복될 수 없다."

타이밍에 대해 배운 가장 대표적인 두 가지 라이브러리는 time과 timeit입니다.

그 중 시간 라이브러리에는 타이밍(초 단위)에 사용할 수 있는 세 가지 함수인 time(), perf_counter() 및 process_time()이 있습니다. 접미사 _ns를 추가하면 (Python3.7부터) 나노초 단위의 타이밍을 의미합니다. 이전에도 clock() 함수가 있었지만 Python 3.3 이후에는 제거되었습니다. 위 세 가지의 차이점은 다음과 같습니다.

• time()은 정확도가 상대적으로 높지 않으며 시스템의 영향을 많이 받습니다.
• perf_counter()는 소규모 프로그램을 테스트하는 데 적합하며 sleep() 시간을 계산합니다.
• process_time()은 소규모 프로그램을 테스트하는 데 적합하며 sleep() 시간을 계산하지 않습니다.

timeit은 시간 라이브러리에 비해 두 가지 장점이 있습니다.

• timeit은 운영 체제와 Python 버전을 기반으로 가장 적합한 타이머를 선택합니다.
• timeit은 제한 시간 동안 가비지 수집을 일시적으로 비활성화합니다.

timeit.timeit(stmt='pass', setup='pass', 타이머=, number=1000000, globals=None) 매개변수 설명:

• stmt='pass': 타이밍이 필요한 문 또는 함수.
• setup='pass': stmt를 실행하기 전에 실행할 코드입니다. 일반적으로 일부 모듈을 가져오거나 필요한 변수를 선언하는 데 사용됩니다.
• timer=: 타이머 기능, 기본값은 time.perf_counter()입니다.
• number=1000000: 타이밍 문을 실행하는 횟수, 기본값은 백만 번입니다.
• globals=None: 실행된 코드의 네임스페이스를 지정합니다.

이 글의 모든 타이밍은 timeit 메소드를 사용하며, 기본 실행 횟수는 100만회입니다.

왜 백만 번 실행해야 합니까? 우리 테스트 프로그램은 매우 짧기 때문에 여러 번 실행하지 않으면 차이점을 전혀 볼 수 없습니다.

1. 함수 매핑을 위해 map()을 사용하세요.

Exp1: 문자열 배열의 소문자를 대문자로 변환합니다.

测试数组为 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

• 방법 1

newlist = []for word in oldlist:
    newlist.append(word.upper())

• 방법 2

list(map(str.upper, oldlist))

방법 1은 0.5267724000000005s가 걸리고, 방법 2는 0.41462569999999843s가 걸리며 성능은 21.2로 향상됩니다. 9%

2. 교차점을 찾으려면 set()을 사용하세요.

Exp2 : 두 목록의 교차점을 찾습니다.

测试数组：a = [1,2,3,4,5]，b = [2,4,6,8,10]。

• 방법 1

overlaps = []for x in a:
    for y in b:
        if x == y:
            overlaps.append(x)

• 방법 2

list(set(a) & set(b))

방법 1은 0.9507264000000006s가 걸리고, 방법 2는 0.6148200999999993s가 걸리며, 성능은 35.33만큼 향상됩니다. %

set() 구문에 대해: |, &, - 각각 합집합, 교차점, 차이를 나타냅니다.

3. 정렬하려면 sort() 또는 sorted()를 사용하세요.

순서를 여러 가지 방법으로 정렬할 수 있지만 실제로 정렬 알고리즘을 직접 작성하는 것은 이득이 없습니다. 내장된 sort() 또는 sorted() 메소드만으로도 충분하고 매개변수 키를 사용하여 다양한 기능을 구현할 수 있어 매우 유연합니다. 둘 사이의 차이점은 sort() 메서드는 목록에만 정의되는 반면 sorted()는 모든 반복 가능한 시퀀스에 유효한 전역 메서드라는 것입니다.

Exp3: 동일한 목록을 정렬하려면 빠른 정렬 및 sort() 메서드를 사용하세요.

测试数组：lists = [2,1,4,3,0]。

• 방법 1

def quick_sort(lists,i,j):
    if i >= j:
        return list
    pivot = lists[i]
    low = i
    high = j    while i = pivot:
            j -= 1
        lists[i]=lists[j]
        while i 

• 방법 2

lists.sort()

방법 1은 2.4796975000000003s, 방법 2는 0.05551999999999424s 소요, 성능은 97.7 향상 6%

그런데 sorted() 메소드는 시간이 많이 걸립니다 0.1339823999987857s.

sort()는 목록별 정렬 방법으로서 여전히 매우 강력하다는 것을 알 수 있습니다. 비록 sorted()가 이전보다 약간 느리긴 하지만 "까다롭지 않고" 모든 사람에게 효과적이기 때문에 더 좋습니다. 반복 가능한 시퀀스.

Extension: sort() 또는 sorted() 메서드의 키를 정의하는 방법

1. Lambda

#学生：（姓名，成绩，年龄）
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]students.sort(key = lambda student: student[0]) #根据姓名排序sorted(students, key = lambda student: student[0])

2를 통해 정의합니다. Operator

import operator

students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]students.sort(key=operator.itemgetter(0))sorted(students, key = operator.itemgetter(1, 0)) #先对成绩排序，再对姓名排序

를 통해 정의하는 것은 일반적인 배열 정렬에 적합합니다. attrgetter( )는 객체 배열 정렬에 적합합니다

3. 가장 유연한

import functools

def cmp(a,b):
    if a[1] != b[1]:
        return -1 if a[1]  b[2] else 1 #成绩姓名都相同，按照年龄降序排序 

students = [('john', 'A', 15),('john', 'A', 14),('jane', 'B', 12),('dave', 'B', 10)]sorted(students, key = functools.cmp_to_key(cmp))

인 cmp_to_key()를 통해 정의합니다. 4. collections.Counter()를 사용하여 계산합니다.

Exp4: 각 문자가 a에 나타나는 횟수를 계산합니다. 끈.

테스트 배열: 문장='인생은 짧습니다. 저는 파이썬을 선택합니다'.

• 方法一

counts = {}for char in sentence:
    counts[char] = counts.get(char, 0) + 1

• 方法二

from collections import CounterCounter(sentence)

方法一耗时 2.8105250000000055s，方法二耗时 1.6317423000000062s，性能提升 41.94% 

5.使用列表推导

列表推导（list comprehension）短小精悍。在小代码片段中，可能没有太大的区别。但是在大型开发中，它可以节省一些时间。

 Exp5：对列表中的奇数求平方，偶数不变。

测试数组：oldlist = range(10)。

• 方法一

newlist = []for x in oldlist:
    if x % 2 == 1:
        newlist.append(x**2)

• 方法二

[x**2 for x in oldlist if x%2 == 1]

方法一耗时 1.5342976000000021s，方法二耗时 1.4181957999999923s，性能提升 7.57% 

6.使用 join() 连接字符串

大多数人都习惯使用+来连接字符串。但其实，这种方法非常低效。因为，+操作在每一步中都会创建一个新字符串并复制旧字符串。更好的方法是用 join() 来连接字符串。关于字符串的其他操作，也尽量使用内置函数，如isalpha()、isdigit()、startswith()、endswith()等。

 Exp6：将字符串列表中的元素连接起来。

测试数组：oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。

• 方法一

sentence = ""for word in oldlist:
    sentence += word

• 方法二

"".join(oldlist)

方法一耗时 0.27489080000000854s，方法二耗时 0.08166570000000206s，性能提升 70.29% 

join还有一个非常舒服的点，就是它可以指定连接的分隔符，举个例子

oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']sentence = "//".join(oldlist)print(sentence)

life//is//short//i//choose//python

7.使用x, y = y, x交换变量

 Exp6：交换x，y的值。

测试数据：x, y = 100, 200。

• 方法一

temp = x
x = y
y = temp

• 方法二

x, y = y, x

方法一耗时 0.027853900000010867s，方法二耗时 0.02398730000000171s，性能提升 13.88% 

8.使用while 1取代while True

在不知道确切的循环次数时，常规方法是使用while True进行无限循环，在代码块中判断是否满足循环终止条件。虽然这样做没有任何问题，但while 1的执行速度比while True更快。因为它是一种数值转换，可以更快地生成输出。

 Exp8：分别用while 1和while True循环 100 次。

• 方法一

i = 0while True:
    i += 1
    if i > 100:
        break

• 方法二

i = 0while 1:
    i += 1
    if i > 100:
        break

方法一耗时 3.679268300000004s，方法二耗时 3.607847499999991s，性能提升1.94% 

9.使用装饰器缓存

将文件存储在高速缓存中有助于快速恢复功能。Python 支持装饰器缓存，该缓存在内存中维护特定类型的缓存，以实现最佳软件驱动速度。我们使用lru_cache装饰器来为斐波那契函数提供缓存功能，在使用fibonacci递归函数时，存在大量的重复计算，例如fibonacci(1)、fibonacci(2)就运行了很多次。而在使用了lru_cache后，所有的重复计算只会执行一次，从而大大提高程序的执行效率。

 Exp9：求斐波那契数列。

测试数据：fibonacci(7)。

• 方法一

def fibonacci(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    return fibonacci(n - 1) + fibonacci(n-2)

• 方法二

import functools

@functools.lru_cache(maxsize=128)def fibonacci(n):
    if n == 0:
        return 0
    elif n == 1:
        return 1
    return fibonacci(n - 1) + fibonacci(n-2)

方法一耗时 3.955014900000009s，方法二耗时 0.05077979999998661s，性能提升 98.72% 

注意事项：

• 缓存是按照参数作为键，也就说在参数不变时，被lru_cache装饰的函数只会执行一次。
• 所有参数必须可哈希，例如list不能作为被lru_cache装饰的函数的参数。

import functools
 
@functools.lru_cache(maxsize=100)def demo(a, b):
    print('我被执行了')
    return a + bif __name__ == '__main__':
    demo(1, 2)
    demo(1, 2)

我被执行了（执行了两次demo(1, 2)，却只输出一次）

from functools import lru_cache
 
@lru_cache(maxsize=100)def list_sum(nums: list):
    return sum(nums)if __name__ == '__main__':
    list_sum([1, 2, 3, 4, 5])

TypeError: unhashable type: ‘list’

functools.lru_cache(maxsize=128, typed=False)的两个可选参数：

• maxsize代表缓存的内存占用值，超过这个值之后，就的结果就会被释放，然后将新的计算结果进行缓存，其值应当设为 2 的幂。

• typed若为True，则会把不同的参数类型得到的结果分开保存。

10.减少点运算符(.)的使用

点运算符(.)用来访问对象的属性或方法，这会引起程序使用__getattribute__()和__getattr__()进行字典查找，从而带来不必要的开销。尤其注意，在循环当中，更要减少点运算符的使用，应该将它移到循环外处理。

这启发我们应该尽量使用from … import …这种方式来导包，而不是在需要使用某方法时通过点运算符来获取。其实不光是点运算符，其他很多不必要的运算我们都尽量移到循环外处理。

 Exp10：将字符串数组中的小写字母转为大写字母。

测试数组为 oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。

• 方法一

newlist = []for word in oldlist:
    newlist.append(str.upper(word))

• 方法二

newlist = []upper = str.upperfor word in oldlist:
    newlist.append(upper(word))

方法一耗时 0.7235491999999795s，方法二耗时 0.5475435999999831s，性能提升 24.33% 

11.使用for循环取代while循环

当我们知道具体要循环多少次时，使用for循环比使用while循环更好。

 Exp12：使用for和while分别循环 100 次。

• 方法一

i = 0while i 

• 方法二

for _ in range(100):
    pass

方法一耗时 3.894683299999997s，方法二耗时 1.0198077999999953s，性能提升73.82% 

12.使用Numba.jit加速计算

Numba 可以将 Python 函数编译码为机器码执行，大大提高代码执行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循环中或存在大量计算时能显著地提高执行效率。

Exp12：求从 1 加到 100 的和。

• 方法一

def my_sum(n):
    x = 0
    for i in range(1, n+1):
        x += i    return x

• 方法二

from numba import jit

@jit(nopython=True) def numba_sum(n):
    x = 0
    for i in range(1, n+1):
        x += i    return x

方法一耗时 3.7199997000000167s，方法二耗时 0.23769430000001535s，性能提升 93.61% 

13.使用Numpy矢量化数组

矢量化是 NumPy 中的一种强大功能，可以将操作表达为在整个数组上而不是在各个元素上发生。这种用数组表达式替换显式循环的做法通常称为矢量化。

在 Python 中循环数组或任何数据结构时，会涉及很多开销。NumPy 中的向量化操作将内部循环委托给高度优化的 C 和 Fortran 函数，从而使 Python 代码更加快速。

 Exp13：两个长度相同的序列逐元素相乘。

测试数组：a = [1,2,3,4,5], b = [2,4,6,8,10]

• 方法一

[a[i]*b[i] for i in range(len(a))]

• 方法二

import numpy as np
a = np.array([1,2,3,4,5])b = np.array([2,4,6,8,10])a*b

方法一耗时 0.6706845000000214s，方法二耗时 0.3070132000000001s，性能提升 54.22% 

14.使用in检查列表成员

若要检查列表中是否包含某成员，通常使用in关键字更快。

 Exp14：检查列表中是否包含某成员。

测试数组：lists = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]

• 方法一

def check_member(target, lists):
    for member in lists:
        if member == target:
            return True    return False

• 方法二

if target in lists:
    pass

方法一耗时 0.16038449999999216s，方法二耗时 0.04139250000000061s，性能提升 74.19% 

15.使用itertools库迭代

itertools是用来操作迭代器的一个模块，其函数主要可以分为三类：无限迭代器、有限迭代器、组合迭代器。

Exp15：返回列表的全排列。

测试数组：[“Alice”, “Bob”, “Carol”]

• 方法一

def permutations(lst):
    if len(lst) == 1 or len(lst) == 0:
        return [lst]
    result = []
    for i in lst:
        temp_lst = lst[:]
        temp_lst.remove(i)
        temp = permutations(temp_lst)
        for j in temp:
            j.insert(0, i)
            result.append(j)
    return result

• 方法二

import itertools
itertools.permutations(["Alice", "Bob", "Carol"])

方法一耗时 3.867292899999484s，方法二耗时 0.3875405000007959s，性能提升 89.98% 

结语

根据上面的测试数据，我绘制了下面这张实验结果图，可以更加直观的看出不同方法带来的性能差异。

从图中可以看出，大部分的技巧所带来的性能增幅还是比较可观的，但也有少部分技巧的增幅较小（例如编号5、7、8，其中，第 8 条的两种方法几乎没有差异）。

总结下来，我觉得其实就是下面这两条原则：

1.尽量使用内置库函数

内置库函数由专业的开发人员编写并经过了多次测试，很多库函数的底层是用C语言开发的。因此，这些函数总体来说是非常高效的（比如sort()、join()等），自己编写的方法很难超越它们，还不如省省功夫，不要重复造轮子了，何况你造的轮子可能更差。所以，如果函数库中已经存在该函数，就直接拿来用。

2.尽量使用优秀的第三方库

有很多优秀的第三方库，它们的底层可能是用 C 和 Fortran 来实现的，像这样的库用起来绝对不会吃亏，比如前文提到的 Numpy 和 Numba，它们带来的提升都是非常惊人的。类似这样的库还有很多，比如Cython、PyPy等，这里我只是抛砖引玉。

其实加快 Python 代码执行速度的方法还有很多，比如避免使用全局变量、使用最新版本、使用合适的数据结构、利用if条件的惰性等等，我这里就不一一例举了。这些方法都需要我们亲身去实践才会有深刻的感受和理解，但最根本的方法就是保持我们对编程的热情和对最佳实践的追求，这才是我们能不断突破自我、勇攀高峰的不竭动力源泉！

추천 학습: Python 학습 튜토리얼

위 내용은 Python을 실크처럼 부드럽게 사용하는 고전적인 기술 요약의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!