Python加速运行技巧

╰半橙微兮° 2022-11-17 13:55 173阅读 0赞

点击上方“**机器学习与生成对抗网络**”，关注星标

获取有趣、好玩的前沿干货！

> **作****者：张皓  文仅交流 侵删**
> 
> **https://zhuanlan.zhihu.com/p/143052860**

Python 是一种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。

## 0. 代码优化原则 ##

本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。

第一个基本原则是不要过早优化。很多人一开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。因此，优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前不要主次颠倒。

第二个基本原则是权衡优化的代价。优化是有代价的，想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外，开发代价也需要考虑。

第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化，这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢，首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化。在其他地方，一点时间上的损失没有什么影响。

## 1. 避免全局变量 ##

# 不推荐写法。代码耗时：26.8秒
    import math
    
    size = 10000
    for x in range(size):
        for y in range(size):
            z = math.sqrt(x) + math.sqrt(y)

许多程序员刚开始会用 Python 语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不少。通过将脚本语句放入到函数中，通常可带来 15% - 30% 的速度提升。

# 推荐写法。代码耗时：20.6秒
    import math
    
    def main():  # 定义到函数中，以减少全部变量使用
        size = 10000
        for x in range(size):
            for y in range(size):
                z = math.sqrt(x) + math.sqrt(y)
    
    main()

## 2. 避免`.` ##

2.1 避免模块和函数属性访问

# 不推荐写法。代码耗时：14.5秒
    import math
    
    def computeSqrt(size: int):
        result = []
        for i in range(size):
            result.append(math.sqrt(i))
        return result
    
    def main():
        size = 10000
        for _ in range(size):
            result = computeSqrt(size)
    
    main()

每次使用`.`（属性访问操作符时）会触发特定的方法，如`__getattribute__()`和`__getattr__()`，这些方法会进行字典操作，因此会带来额外的时间开销。通过`from import`语句，可以消除属性访问。

# 第一次优化写法。代码耗时：10.9秒
    from math import sqrt
    
    def computeSqrt(size: int):
        result = []
        for i in range(size):
            result.append(sqrt(i))  # 避免math.sqrt的使用
        return result
    
    def main():
        size = 10000
        for _ in range(size):
            result = computeSqrt(size)
    
    main()

在第 1 节中我们讲到，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`sqrt`，通过将其改为局部变量可以加速运行。

# 第二次优化写法。代码耗时：9.9秒
    import math
    
    def computeSqrt(size: int):
        result = []
        sqrt = math.sqrt  # 赋值给局部变量
        for i in range(size):
            result.append(sqrt(i))  # 避免math.sqrt的使用
        return result
    
    def main():
        size = 10000
        for _ in range(size):
            result = computeSqrt(size)
    
    main()

除了`math.sqrt`外，`computeSqrt`函数中还有`.`的存在，那就是调用`list`的`append`方法。通过将该方法赋值给一个局部变量，可以彻底消除`computeSqrt`函数中`for`循环内部的`.`使用。

# 推荐写法。代码耗时：7.9秒
    import math
    
    def computeSqrt(size: int):
        result = []
        append = result.append
        sqrt = math.sqrt    # 赋值给局部变量
        for i in range(size):
            append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用
        return result
    
    def main():
        size = 10000
        for _ in range(size):
            result = computeSqrt(size)
    
    main()

## 2.2 避免类内属性访问 ##

# 不推荐写法。代码耗时：10.4秒
    import math
    from typing import List
    
    class 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 result
    
    def main():
        size = 10000
        for _ in range(size):
            demo_instance = DemoClass(size)
            result = demo_instance.computeSqrt(size)
    
    main()

避免`.`的原则也适用于类内属性，访问`self._value`的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度。

# 推荐写法。代码耗时：8.0秒
    import math
    from typing import List
    
    class 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))  # 避免 self._value 的使用
            return result
    
    def main():
        size = 10000
        for _ in range(size):
            demo_instance = DemoClass(size)
            demo_instance.computeSqrt(size)
    
    main()

## 3. 避免不必要的抽象 ##

# 不推荐写法，代码耗时：0.55秒
    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 = x
    
    def main():
        size = 1000000
        for i in range(size):
            demo_instance = DemoClass(size)
            value = demo_instance.value
            demo_instance.value = i
    
    main()

任何时候当你使用额外的处理层（比如装饰器、属性访问、描述器）去包装代码时，都会让代码变慢。大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用`getter/setter`函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格。如果真的没有必要，就使用简单属性。

# 推荐写法，代码耗时：0.33秒
    class DemoClass:
        def __init__(self, value: int):
            self.value = value  # 避免不必要的属性访问器
    
    def main():
        size = 1000000
        for i in range(size):
            demo_instance = DemoClass(size)
            value = demo_instance.value
            demo_instance.value = i
    
    main()

## 4. 避免数据复制 ##

4.1 避免无意义的数据复制

# 不推荐写法，代码耗时：6.5秒
    def main():
        size = 10000
        for _ in range(size):
            value = range(size)
            value_list = [x for x in value]
            square_list = [x * x for x in value_list]
    
    main()

上面的代码中`value_list`完全没有必要，这会创建不必要的数据结构或复制。

# 推荐写法，代码耗时：4.8秒
    def main():
        size = 10000
        for _ in range(size):
            value = range(size)
            square_list = [x * x for x in value]  # 避免无意义的复制
    
    main()

另外一种情况是对 Python 的数据共享机制过于偏执，并没有很好地理解或信任 Python 的内存模型，滥用 `copy.deepcopy()`之类的函数。通常在这些代码中是可以去掉复制操作的。

4.2 交换值时不使用中间变量

# 不推荐写法，代码耗时：0.07秒
    def main():
        size = 1000000
        for _ in range(size):
            a = 3
            b = 5
            temp = a
            a = b
            b = temp
    
    main()

上面的代码在交换值时创建了一个临时变量`temp`，如果不借助中间变量，代码更为简洁、且运行速度更快。

# 推荐写法，代码耗时：0.06秒
    def main():
        size = 1000000
        for _ in range(size):
            a = 3
            b = 5
            a, b = b, a  # 不借助中间变量
    
    main()

4.3 字符串拼接用`join`而不是`+`

# 不推荐写法，代码耗时：2.6秒
    import string
    from typing import List
    
    def concatString(string_list: List[str]) -> str:
        result = ''
        for str_i in string_list:
            result += str_i
        return result
    
    def main():
        string_list = list(string.ascii_letters * 100)
        for _ in range(10000):
            result = concatString(string_list)
    
    main()

当使用`a + b`拼接字符串时，由于 Python 中字符串是不可变对象，其会申请一块内存空间，将`a`和`b`分别复制到该新申请的内存空间中。因此，如果要拼接 ![format_png][] 个字符串，会产生 ![format_png 1][] 个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。而使用`join()`拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去。

# 推荐写法，代码耗时：0.3秒
    import string
    from typing import List
    
    def concatString(string_list: List[str]) -> str:
        return ''.join(string_list)  # 使用 join 而不是 +
    
    def main():
        string_list = list(string.ascii_letters * 100)
        for _ in range(10000):
            result = concatString(string_list)
    
    main()

## 5. 利用`if`条件的短路特性 ##

# 不推荐写法，代码耗时：0.05秒
    from typing import List
    
    def concatString(string_list: List[str]) -> str:
        abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
        abbr_count = 0
        result = ''
        for str_i in string_list:
            if str_i in abbreviations:
                result += str_i
        return result
    
    def main():
        for _ in range(10000):
            string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
            result = concatString(string_list)
    
    main()

`if` 条件的短路特性是指对`if a and b`这样的语句， 当`a`为`False`时将直接返回，不再计算`b`；对于`if a or b`这样的语句，当`a`为`True`时将直接返回，不再计算`b`。因此， 为了节约运行时间，对于`or`语句，应该将值为`True`可能性比较高的变量写在`or`前，而`and`应该推后。

# 推荐写法，代码耗时：0.03秒
    from typing import List
    
    def concatString(string_list: List[str]) -> str:
        abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
        abbr_count = 0
        result = ''
        for str_i in string_list:
            if str_i[-1] == '.' and str_i in abbreviations:  # 利用 if 条件的短路特性
                result += str_i
        return result
    
    def main():
        for _ in range(10000):
            string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
            result = concatString(string_list)
    
    main()

## 6. 循环优化 ##

6.1 用`for`循环代替`while`循环

# 不推荐写法。代码耗时：6.7秒
    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()

Python 的`for`循环比`while`循环快不少。

# 推荐写法。代码耗时：4.3秒
    def computeSum(size: int) -> int:
        sum_ = 0
        for i in range(size):  # for 循环代替 while 循环
            sum_ += i
        return sum_
    
    def main():
        size = 10000
        for _ in range(size):
            sum_ = computeSum(size)
    
    main()

6.2 使用隐式`for`循环代替显式`for`循环

针对上面的例子，更进一步可以用隐式`for`循环来替代显式`for`循环

# 推荐写法。代码耗时：1.7秒
    def computeSum(size: int) -> int:
        return sum(range(size))  # 隐式 for 循环代替显式 for 循环
    
    def main():
        size = 10000
        for _ in range(size):
            sum = computeSum(size)
    
    main()

6.3 减少内层`for`循环的计算

# 不推荐写法。代码耗时：12.8秒
    import math
    
    def main():
        size = 10000
        sqrt = math.sqrt
        for x in range(size):
            for y in range(size):
                z = sqrt(x) + sqrt(y)
    
    main()

上面的代码中`sqrt(x)`位于内侧`for`循环， 每次训练过程中都会重新计算一次，增加了时间开销。

# 推荐写法。代码耗时：7.0秒
    import math
    
    def main():
        size = 10000
        sqrt = math.sqrt
        for x in range(size):
            sqrt_x = sqrt(x)  # 减少内层 for 循环的计算
            for y in range(size):
                z = sqrt_x + sqrt(y)
    
    main()

## 7. 使用`numba.jit` ##

我们沿用上面介绍过的例子，在此基础上使用`numba.jit`。 `numba`可以将 Python 函数 JIT 编译为机器码执行，大大提高代码运行速度。关于`numba`的更多信息见下面的主页：

http://numba.pydata.org/numba.pydata.org

# 推荐写法。代码耗时：0.62秒
    import numba
    
    @numba.jit
    def computeSum(size: float) -> int:
        sum = 0
        for i in range(size):
            sum += i
        return sum
    
    def main():
        size = 10000
        for _ in range(size):
            sum = computeSum(size)
    
    main()

## 8. 选择合适的数据结构 ##

Python 内置的数据结构如`str`, `tuple`, `list`, `set`, `dict`底层都是 C 实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。

`list`类似于 C++ 中的`std::vector`，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之后销毁之前的内存空间，再插入新元素。删除元素时操作类似，当已使用内存空间比预分配内存空间的一半还少时，会另外申请一块小内存，做一次元素复制，之后销毁原有大内存空间。因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率不高。此时，应该考虑使用`collections.deque`。`collections.deque`是双端队列，同时具备栈和队列的特性，能够在两端进行 ![format_png 2][] 复杂度的插入和删除操作。

`list`的查找操作也非常耗时。当需要在`list`频繁查找某些元素，或频繁有序访问这些元素时，可以使用`bisect`维护`list`对象有序并在其中进行二分查找，提升查找的效率。

另外一个常见需求是查找极小值或极大值，此时可以使用`heapq`模块将`list`转化为一个堆，使得获取最小值的时间复杂度是 ![format_png 2][] 。

下面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度：

TimeComplexity - Python Wikiwiki.python.org

## 参考资料 ##

*  David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013.
 *  张颖 & 赖勇浩. 编写高质量代码：改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.
 *

![9ef1a98f4c88da5663455917227ab058.png][]

**猜您喜欢：**

![2ecd0037576f00961d1c71281697e16d.png][]

**[等你着陆！【GAN生成对抗网络】知识星球！][GAN]**

**[超100篇！CVPR 2020最全GAN论文梳理汇总！][100_CVPR 2020_GAN]**

[**附下载 | 《Python进阶》中文版**][_ _Python]

[**附下载 | 经典《Think Python》中文版**][_ _Think Python]

[**附下载 | 《Pytorch模型训练实用教程》**][_ _Pytorch]

[**附下载 | 最新2020李沐《动手学深度学习》**][_ _2020]

**[附下载 | 《可解释的机器学习》中文版][Link 1]**

[**附下载 |《TensorFlow 2.0 深度学习算法实战》**][_TensorFlow 2.0]

**[附下载 | 超100篇！CVPR 2020最全GAN论文梳理汇总！][100_CVPR 2020_GAN]**

**[附下载 |《计算机视觉中的数学方法》分享][Link 2]**

![6fba3dadc132b64209a65c7251084435.png][]

**                 **

[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly9tbWJpei5xcGljLmNuL21tYml6X3N2Zy9vUTdRSXIxMmlhd3F4S0VtNWdmQVZqN2c3MnNucElEU3ZjMU90V3Z1OGJqSjJ4bGRteUVmZFpieVJrTVhJSm5saWNRbEZlODVvVEZYTWxzdlNhWmdERk5telVaa21kQ05qOS82NDA?x-oss-process=image/format,png
[format_png 1]: /images/20221022/0b4306a4b6fc426b94ed7c47bdb2eaed.png
[format_png 2]: /images/20221022/52b33fefe8b343f9b379fca4c4dc9d93.png
[9ef1a98f4c88da5663455917227ab058.png]: /images/20221022/d50da8c9d4284426a34916b286037cb9.png
[2ecd0037576f00961d1c71281697e16d.png]: /images/20221022/68596f83a7f84763937560d535762bb7.png
[GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29bf4bc95e365d4f53676d3aa2b80299375e55f9bab3bc7f8ad9405e7ada61d7ac00abb4bf&idx=1&mid=2247491056&scene=21&sn=535829ad04b094f59b2b38eb85cdbb38#wechat_redirect
[100_CVPR 2020_GAN]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a94cc95e205ae880cb9518cb16a54c0abde69e5a8654f7fedf70a0cc990775265bf28a1c&idx=1&mid=2247486455&scene=21&sn=94156f53845cdf07e859e343862be745#wechat_redirect
[_ _Python]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29abb6c95e22a04d1eb019f964c8ae97b2f3af98c22f730f5d5ed2aea9fdb320b00c688967&idx=2&mid=2247485709&scene=21&sn=55a51c98ab48f393ba305c082ba0e4fe#wechat_redirect
[_ _Think Python]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a418c95e2d0e9a3de46e0e4d1b8d4947154d8639418a511a3091300aa31699932046556e&idx=2&mid=2247485091&scene=21&sn=f569d5d70c2e6c9cc567fbc5147787a4#wechat_redirect
[_ _Pytorch]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29aa78c95e236e380c9fd2ae79917d7451ccdd4803c5e6047a16f921d1b61d18efc79ada7c&idx=2&mid=2247485635&scene=21&sn=90608bce32fe353cf3c64b39e3406bc3#wechat_redirect
[_ _2020]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a4a4c95e2db2aab16bdcefa78795bbb7efbc70b533bb197d73f617558f2f8a523120c6e3&idx=2&mid=2247484959&scene=21&sn=563999cc8d48498beed00270844ceec4#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a4bac95e2dac758c4aac10a3aac49eb062bc0829d4ef2ebc8e6d5069d246385c5084a2b4&idx=1&mid=2247484929&scene=21&sn=523220858287ed3e6105919703c8e833#wechat_redirect
[_TensorFlow 2.0]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29a5b0c95e2ca6599d4a91d5d40900566b7525de3dd85259e7a6c173aa26aa7ea3641d1aaf&idx=2&mid=2247485195&scene=21&sn=e3387067db29d1759755c6c2ea96c870#wechat_redirect
[Link 2]: http://mp.weixin.qq.com/s?__biz=MzU5MTgzNzE0MA%3D%3D&chksm=fe29aa8fc95e23993e057fb0dbe09f2810ea07184a439c173f404a7ab657cadcde3d24efa52a&idx=2&mid=2247485492&scene=21&sn=c4fb135de02cd52f06bc61b0e79476e4#wechat_redirect
[6fba3dadc132b64209a65c7251084435.png]: /images/20221022/45aa31654b784e12bdbe1df33de57b4d.png