Python使用絲般順滑的經典技巧總結

推薦學習：

如何測量程式的執行時間

關於 Python 如何精確地測量程式的執行時間，這個問題看起來簡單其實很複雜，因為程式的執行時間受到很多因素的影響，例如作業系統、Python 版本以及相關硬體（CPU 效能、記憶體讀寫速度）等。在同一臺電腦上執行相同版本的語言時，上述因素就是確定的了，但是程式的睡眠時間依然是變化的，且電腦上正在執行的其他程式也會對實驗有干擾，因此嚴格來說這就是《實驗不可重複》。

我瞭解到的關於計時比較有代表性的兩個庫就是time和timeit。

其中，time庫中有time()、perf_counter()以及process_time()三個函數可用來計時（以秒為單位），加字尾_ns表示以納秒計時（自 Python3.7 始）。在此之前還有clock()函數，但是在 Python3.3 之後被移除了。上述三者的區別如下：

• time()精度上相對沒有那麼高，而且受系統的影響，適合表示日期時間或者大程式的計時。
• perf_counter()適合小一點的程式測試，會計算sleep()時間。
• process_time()適合小一點的程式測試，不計算sleep()時間。

與time庫相比，timeit 有兩個優點：

• timeit 會根據您的作業系統和 Python 版本選擇最佳計時器。
• timeit 在計時期間會暫時禁用垃圾回收。

timeit.timeit(stmt=‘pass’, setup=‘pass’, timer=, number=1000000, globals=None) 引數說明：

• stmt=‘pass’：需要計時的語句或者函數。
• setup=‘pass’：執行stmt之前要執行的程式碼。通常，它用於匯入一些模組或宣告一些必要的變數。
• timer=：計時器函數，預設為time.perf_counter()。
• number=1000000：執行計時語句的次數，預設為一百萬次。
• globals=None：指定執行程式碼的名稱空間。

本文所有的計時均採用timeit方法，且採用預設的執行次數一百萬次。

為什麼要執行一百萬次呢？因為我們的測試程式很短，如果不執行這麼多次的話，根本看不出差距。

1.使用map()進行函數對映

Exp1：將字串陣列中的小寫字母轉為大寫字母。

測試陣列為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

• 方法一

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

• 方法二

list(map(str.upper, oldlist))

方法一耗時 0.5267724000000005s，方法二耗時 0.41462569999999843s，效能提升 21.29%

2.使用set()求交集

Exp2：求兩個list的交集。

測試陣列：a = [1,2,3,4,5]，b = [2,4,6,8,10]。

• 方法一

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

• 方法二

list(set(a) & set(b))

方法一耗時 0.9507264000000006s，方法二耗時 0.6148200999999993s，效能提升 35.33%

關於set()的語法：|、&、-分別表示求並集、交集、差集。

3.使用sort()或sorted()排序

我們可以通過多種方式對序列進行排序，但其實自己編寫排序演演算法的方法有些得不償失。因為內建的 sort()或 sorted() 方法已經足夠優秀了，且利用引數key可以實現不同的功能，非常靈活。二者的區別是sort()方法僅被定義在list中，而sorted()是全域性方法對所有的可迭代序列都有效。

Exp3：分別使用快排和sort()方法對同一列表排序。

測試陣列：lists = [2,1,4,3,0]。

• 方法一

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

• 方法二

lists.sort()

方法一耗時 2.4796975000000003s，方法二耗時 0.05551999999999424s，效能提升 97.76%

順帶一提，sorted()方法耗時 0.1339823999987857s。

可以看出，sort()作為list專屬的排序方法還是很強的，sorted()雖然比前者慢一點，但是勝在它「不挑食」，它對所有的可迭代序列都有效。

擴充套件：如何定義sort()或sorted()方法的key

1.通過lambda定義

#學生：（姓名，成績，年齡）
students = [('john', 'A', 15),('jane', 'B', 12),('dave', 'B', 10)]students.sort(key = lambda student: student[0]) #根據姓名排序sorted(students, key = lambda student: student[0])

2.通過operator定義

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)) #先對成績排序，再對姓名排序

operator的itemgetter()適用於普通陣列排序，attrgetter()適用於物件陣列排序

3.通過cmp_to_key()定義，最為靈活

import functools

def cmp(a,b):
    if a[1] != b[1]:
        return -1 if a[1] < b[1] else 1 #先按照成績升序排序
    elif a[0] != b[0]:
        return -1 if a[0] < b[0] else 1 #成績相同，按照姓名升序排序    else:
        return -1 if a[2] > b[2] else 1 #成績姓名都相同，按照年齡降序排序 

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

4.使用collections.Counter()計數

Exp4：統計字串中每個字元出現的次數。

測試陣列：sentence=‘life is short, i choose python’。

• 方法一

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

• 方法二

from collections import CounterCounter(sentence)

方法一耗時 2.8105250000000055s，方法二耗時 1.6317423000000062s，效能提升 41.94%

5.使用列表推導

列表推導（list comprehension）短小精悍。在小程式碼片段中，可能沒有太大的區別。但是在大型開發中，它可以節省一些時間。

Exp5：對列表中的奇數求平方，偶數不變。

測試陣列：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]

方法一耗時 1.5342976000000021s，方法二耗時 1.4181957999999923s，效能提升 7.57%

6.使用 join() 連線字串

大多數人都習慣使用+來連線字串。但其實，這種方法非常低效。因為，+操作在每一步中都會建立一個新字串並複製舊字串。更好的方法是用 join() 來連線字串。關於字串的其他操作，也儘量使用內建函數，如isalpha()、isdigit()、startswith()、endswith()等。

Exp6：將字串列表中的元素連線起來。

測試陣列：oldlist = [‘life’, ‘is’, ‘short’, ‘i’, ‘choose’, ‘python’]。

• 方法一

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

• 方法二

"".join(oldlist)

方法一耗時 0.27489080000000854s，方法二耗時 0.08166570000000206s，效能提升 70.29%

join還有一個非常舒服的點，就是它可以指定連線的分隔符，舉個例子

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交換變數

Exp6：交換x，y的值。

測試資料：x, y = 100, 200。

• 方法一

temp = x
x = y
y = temp

• 方法二

x, y = y, x

方法一耗時 0.027853900000010867s，方法二耗時 0.02398730000000171s，效能提升 13.88%

8.使用while 1取代while True

在不知道確切的迴圈次數時，常規方法是使用while True進行無限迴圈，在程式碼塊中判斷是否滿足迴圈終止條件。雖然這樣做沒有任何問題，但while 1的執行速度比while True更快。因為它是一種數值轉換，可以更快地生成輸出。

Exp8：分別用while 1和while True迴圈 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

方法一耗時 3.679268300000004s，方法二耗時 3.607847499999991s，效能提升1.94%

9.使用裝飾器快取

將檔案儲存在快取記憶體中有助於快速恢復功能。Python 支援裝飾器快取，該快取在記憶體中維護特定型別的快取，以實現最佳軟體驅動速度。我們使用lru_cache裝飾器來為斐波那契函數提供快取功能，在使用fibonacci遞迴函數時，存在大量的重複計算，例如fibonacci(1)、fibonacci(2)就執行了很多次。而在使用了lru_cache後，所有的重複計算只會執行一次，從而大大提高程式的執行效率。

Exp9：求斐波那契數列。

測試資料：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)

方法一耗時 3.955014900000009s，方法二耗時 0.05077979999998661s，效能提升 98.72%

注意事項：

• 快取是按照引數作為鍵，也就說在引數不變時，被lru_cache裝飾的函數只會執行一次。
• 所有引數必須可雜湊，例如list不能作為被lru_cache裝飾的函數的引數。

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

我被執行了（執行了兩次demo(1, 2)，卻只輸出一次）

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)的兩個可選引數：

• maxsize代表快取的記憶體佔用值，超過這個值之後，就的結果就會被釋放，然後將新的計算結果進行快取，其值應當設為 2 的冪。

• typed若為True，則會把不同的引數型別得到的結果分開儲存。

10.減少點運運算元(.)的使用

點運運算元(.)用來存取物件的屬性或方法，這會引起程式使用__getattribute__()和__getattr__()進行字典查詢，從而帶來不必要的開銷。尤其注意，在迴圈當中，更要減少點運運算元的使用，應該將它移到迴圈外處理。

這啟發我們應該儘量使用from … import …這種方式來導包，而不是在需要使用某方法時通過點運運算元來獲取。其實不光是點運運算元，其他很多不必要的運算我們都儘量移到迴圈外處理。

Exp10：將字串陣列中的小寫字母轉為大寫字母。

測試陣列為 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))

方法一耗時 0.7235491999999795s，方法二耗時 0.5475435999999831s，效能提升 24.33%

11.使用for迴圈取代while迴圈

當我們知道具體要回圈多少次時，使用for迴圈比使用while迴圈更好。

Exp12：使用for和while分別迴圈 100 次。

• 方法一

i = 0while i < 100:
    i += 1

• 方法二

for _ in range(100):
    pass

方法一耗時 3.894683299999997s，方法二耗時 1.0198077999999953s，效能提升73.82%

12.使用Numba.jit加速計算

Numba 可以將 Python 函數編譯碼為機器碼執行，大大提高程式碼執行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 迴圈中或存在大量計算時能顯著地提高執行效率。

Exp12：求從 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

方法一耗時 3.7199997000000167s，方法二耗時 0.23769430000001535s，效能提升 93.61%

13.使用Numpy向量化陣列

向量化是 NumPy 中的一種強大功能，可以將操作表達為在整個陣列上而不是在各個元素上發生。這種用陣列表示式替換顯式迴圈的做法通常稱為向量化。

在 Python 中迴圈陣列或任何資料結構時，會涉及很多開銷。NumPy 中的向量化操作將內部迴圈委託給高度優化的 C 和 Fortran 函數，從而使 Python 程式碼更加快速。

Exp13：兩個長度相同的序列逐元素相乘。

測試陣列：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

方法一耗時 0.6706845000000214s，方法二耗時 0.3070132000000001s，效能提升 54.22%

14.使用in檢查列表成員

若要檢查列表中是否包含某成員，通常使用in關鍵字更快。

Exp14：檢查列表中是否包含某成員。

測試陣列：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

方法一耗時 0.16038449999999216s，方法二耗時 0.04139250000000061s，效能提升 74.19%

15.使用itertools庫迭代

itertools是用來操作迭代器的一個模組，其函數主要可以分為三類：無限迭代器、有限迭代器、組合迭代器。

Exp15：返回列表的全排列。

測試陣列：[「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"])

方法一耗時 3.867292899999484s，方法二耗時 0.3875405000007959s，效能提升 89.98%

結語

根據上面的測試資料，我繪製了下面這張實驗結果圖，可以更加直觀的看出不同方法帶來的效能差異。

從圖中可以看出，大部分的技巧所帶來的效能增幅還是比較可觀的，但也有少部分技巧的增幅較小（例如編號5、7、8，其中，第 8 條的兩種方法幾乎沒有差異）。

總結下來，我覺得其實就是下面這兩條原則：

1.儘量使用內建庫函數

內建庫函數由專業的開發人員編寫並經過了多次測試，很多庫函數的底層是用C語言開發的。因此，這些函數總體來說是非常高效的（比如sort()、join()等），自己編寫的方法很難超越它們，還不如省省功夫，不要重複造輪子了，何況你造的輪子可能更差。所以，如果函數庫中已經存在該函數，就直接拿來用。

2.儘量使用優秀的第三方庫

有很多優秀的第三方庫，它們的底層可能是用 C 和 Fortran 來實現的，像這樣的庫用起來絕對不會吃虧，比如前文提到的 Numpy 和 Numba，它們帶來的提升都是非常驚人的。類似這樣的庫還有很多，比如Cython、PyPy等，這裡我只是拋磚引玉。

其實加快 Python 程式碼執行速度的方法還有很多，比如避免使用全域性變數、使用最新版本、使用合適的資料結構、利用if條件的惰性等等，我這裡就不一一例舉了。這些方法都需要我們親身去實踐才會有深刻的感受和理解，但最根本的方法就是保持我們對程式設計的熱情和對最佳實踐的追求，這才是我們能不斷突破自我、勇攀高峰的不竭動力源泉！

推薦學習：

以上就是Python使用絲般順滑的經典技巧總結的詳細內容，更多請關注TW511.COM其它相關文章！