選擇了腳本語言就要忍受其速度，這句話在某種程度上說明了 python 作為腳本的一個不足之處，那就是執(zhí)行效率和性能不夠理想，特別是在 performance 較差的機器上，因此有必要進(jìn)行一定的代碼優(yōu)化來提高程序的執(zhí)行效率。

Python為什么性能差？

1、python是動態(tài)語言

一個變量所指向?qū)ο蟮念愋驮谶\行時才確定，編譯器做不了任何預(yù)測，也就無從優(yōu)化。舉一個簡單的例子：　r = a + b?！和b相加，但a和b的類型在運行時才知道，對于加法操作，不同的類型有不同的處理，所以每次運行的時候都會去判斷a和b的類型，然后執(zhí)行對應(yīng)的操作。而在靜態(tài)語言如C++中，編譯的時候就確定了運行時的代碼。

另外一個例子是屬性查找，關(guān)于具體的查找順序在《python屬性查找》中有詳細(xì)介紹。簡而言之，訪問對象的某個屬性是一個非常復(fù)雜的過程，而且通過同一個變量訪問到的python對象還都可能不一樣（參見Lazy property的例子）。而在C語言中，訪問屬性用對象的地址加上屬性的偏移就可以了。

2、python是解釋執(zhí)行

Python不支持JIT（just in time compiler）。雖然大名鼎鼎的google曾經(jīng)嘗試Unladen Swallow 這個項目，但最終也折了。

3、python中一切都是對象

每個對象都需要維護(hù)引用計數(shù)，增加了額外的工作。

4、python GIL

GIL是Python最為詬病的一點，因為GIL，python中的多線程并不能真正的并發(fā)。如果是在IO bound的業(yè)務(wù)場景，這個問題并不大，但是在CPU BOUND的場景，這就很致命了。所以筆者在工作中使用python多線程的情況并不多，一般都是使用多進(jìn)程（pre fork），或者在加上協(xié)程。即使在單線程，GIL也會帶來很大的性能影響，因為python每執(zhí)行100個opcode（默認(rèn)，可以通過sys.setcheckinterval()設(shè)置）就會嘗試線程的切換，具體的源代碼在ceval.c::PyEval_EvalFrameEx。

5、垃圾回收

這個可能是所有具有垃圾回收的編程語言的通病。python采用標(biāo)記和分代的垃圾回收策略，每次垃圾回收的時候都會中斷正在執(zhí)行的程序，造成所謂的頓卡。infoq上有一篇文章，提到禁用Python的GC機制后，Instagram性能提升了10%。

Python代碼優(yōu)化常用技巧

減小代碼體積

提高代碼的運行效率

一、改進(jìn)算法，選擇合適的數(shù)據(jù)結(jié)構(gòu)（更好的選擇已經(jīng)用藍(lán)色字標(biāo)注出來了）

在算法的時間復(fù)雜度排序上依次是：

O(1) -> O(lg n) -> O(n lg n) -> O(n^2) -> O(n^3) -> O(n^k) -> O(k^n) -> O(n!)

當(dāng)然選擇更合理的算法是最好的優(yōu)化手段，但是在算法沒有辦法更加合理化的時候我們就要選擇更好的數(shù)據(jù)結(jié)構(gòu)。

1、字典（dictionary）與列表（list）

Python 字典中使用了 hash table，因此查找操作的復(fù)雜度為 O(1)，而 list 實際是個數(shù)組，在 list 中，查找需要遍歷整個 list，其復(fù)雜度為 O(n)，因此對成員的查找訪問等操作字典要比 list 更快。

使用字典會比使用列表效率大概提高一半。

因此在需要多數(shù)據(jù)成員進(jìn)行頻繁的查找或者訪問的時候，使用 dict 而不是 list 是一個較好的選擇。

2、集合（set）和列表（list）

set 的 union， intersection，difference 操作要比 list 的迭代要快。因此如果涉及到求 list 交集，并集或者差的問題可以轉(zhuǎn)換為 set 來操作。（附表一）

表 1. set 常見用法

語法

操作

說明

set(list1) | set(list2)

union

包含 list1 和 list2 所有數(shù)據(jù)的新集合

set(list1) & set(list2)

intersection

包含 list1 和 list2 中共同元素的新集合

set(list1) - set(list2)

difference

在 list1 中出現(xiàn)但不在 list2 中出現(xiàn)的元素的集合

3、對循環(huán)的優(yōu)化

對循環(huán)的優(yōu)化所遵循的原則是盡量減少循環(huán)過程中的計算量，有多重循環(huán)的盡量將內(nèi)層的計算提到上一層。

4、充分利用Lazy if-evaluation 的特性

python 中條件表達(dá)式是 lazy evaluation 的，也就是說如果存在條件表達(dá)式 if x and y，在 x 為 false 的情況下 y 表達(dá)式的值將不再計算。

所以在保證不改變運行結(jié)果的前提下，盡量減少IF里面的條件來提高程序的效率

5、字符串的優(yōu)化

在字符串連接的使用盡量使用 join() 而不是 +；

當(dāng)對字符串可以使用正則表達(dá)式或者內(nèi)置函數(shù)來處理的時候，選擇內(nèi)置函數(shù)。如 str.isalpha()，str.isdigit()，str.startswith(('x', 'yz'))，str.endswith(('x', 'yz'))；

對字符進(jìn)行格式化比直接串聯(lián)讀取要快，因此要使用

1 out = "%s%s%s%s" % (head, prologue, query, tail)

而不是

1 out = "" + head + prologue + query + tail + ""

6、使用列表解析（list comprehension）和生成器表達(dá)式（generator expression）

列表解析要比在循環(huán)中重新構(gòu)建一個新的 list 更為高效，因此我們可以利用這一特性來提高運行的效率。

1 for i in range (1000000):2 　　for w inlist:3 　　　　total.append(w)

使用列表解析：

1 for i in range (1000000):2 　　a = [w for w in list]

7、其他優(yōu)化技巧

如果需要交換兩個變量的值使用 a,b=b,a而不是借助中間變量 t=a;a=b;b=t；

在循環(huán)的時候使用 xrange 而不是 range；使用 xrange 可以節(jié)省大量的系統(tǒng)內(nèi)存，因為 xrange() 在序列中每次調(diào)用只產(chǎn)生一個整數(shù)元素。而 range() 將直接返回完整的元素列表，用于循環(huán)時會有不必要的開銷；

使用局部變量，避免"global" 關(guān)鍵字。python 訪問局部變量會比全局變量要快得多；

if done is not None比語句 if done != None 更快；

在耗時較多的循環(huán)中，可以把函數(shù)的調(diào)用改為內(nèi)聯(lián)的方式；

使用級聯(lián)比較 "x < y < z" 而不是 "x < y and y < z"；

while 1 要比 while True 更快（當(dāng)然后者的可讀性更好）；

build in 函數(shù)通常較快，add(a,b) 要優(yōu)于 a+b。

二、定位程序性能瓶頸

使用 profile 進(jìn)行性能分析

其中 Profiler 是 python 自帶的一組程序，能夠描述程序運行時候的性能，并提供各種統(tǒng)計幫助用戶定位程序的性能瓶頸。

profile 的使用非常簡單，只需要在使用之前進(jìn)行 import 即可。具體實例如下：

1 importprofile2 defprofileTest():3 　　Total =1;4 for i in range(10):5 　　　　Total=Total*(i+1)6 printTotal7 returnTotal8 if __name__ == "__main__":9 profile.run("profileTest()")

程序的運行結(jié)果如下：

其中輸出每列的具體解釋如下：

ncalls：表示函數(shù)調(diào)用的次數(shù)；

tottime：表示指定函數(shù)的總的運行時間，除掉函數(shù)中調(diào)用子函數(shù)的運行時間；

percall：（第一個 percall）等于 tottime/ncalls；

cumtime：表示該函數(shù)及其所有子函數(shù)的調(diào)用運行的時間，即函數(shù)開始調(diào)用到返回的時間；

percall：（第二個 percall）即函數(shù)運行一次的平均時間，等于 cumtime/ncalls；

filename:lineno(function)：每個函數(shù)調(diào)用的具體信息；

三、Python性能優(yōu)化工具

? Python 性能優(yōu)化除了改進(jìn)算法，選用合適的數(shù)據(jù)結(jié)構(gòu)之外，還有幾種關(guān)鍵的技術(shù)，比如將關(guān)鍵 python 代碼部分重寫成 C 擴展模塊，或者選用在性能上更為優(yōu)化的解釋器等，這些在本文中統(tǒng)稱為優(yōu)化工具。python 有很多自帶的優(yōu)化工具，如 Pypy，Cython，Pyrex 等，這些優(yōu)化工具各有千秋，本節(jié)選擇幾種進(jìn)行介紹。

1、Pypy

PyPy 表示 "用 Python 實現(xiàn)的 Python"，但實際上它是使用一個稱為 RPython 的 Python 子集實現(xiàn)的，能夠?qū)?Python 代碼轉(zhuǎn)成 C， .NET， Java 等語言和平臺的代碼。PyPy 集成了一種即時 (JIT) 編譯器。和許多編譯器，解釋器不同，它不關(guān)心 Python 代碼的詞法分析和語法樹。 因為它是用 Python 語言寫的，所以它直接利用 Python 語言的 Code Object.。 Code Object 是 Python 字節(jié)碼的表示，也就是說， PyPy 直接分析 Python 代碼所對應(yīng)的字節(jié)碼 ,，這些字節(jié)碼即不是以字符形式也不是以某種二進(jìn)制格式保存在文件中， 而在 Python 運行環(huán)境中。目前版本是 1.8. 支持不同的平臺安裝，windows 上安裝 Pypy 需要先下載 ，然后解壓到相關(guān)的目錄，并將解壓后的路徑添加到環(huán)境變量 path 中即可。

接下來我們來測試一下使用同一個程序python解釋器和pypy解釋器的編譯時間為多少？到底有沒有提升速度？

1 importtime2

3 t =time.time()4 for i in range(10 ** 8):5 continue

6 print(time.time() - t)

我們可以看到這是python解釋器的編譯時間：

下面這是pypy解釋器的編譯時間：

從上面對比我們發(fā)現(xiàn)python解釋器的編譯時間為：5.84，

而pypy解釋器的編譯時間為0.32，

從編譯時間上我們可以看出速度提升了將近22倍！！

2、Cython

Cython 是用 python 實現(xiàn)的一種語言，可以用來寫 python 擴展，用它寫出來的庫都可以通過 import 來載入，性能上比 python 的快。cython 里可以載入 python 擴展 ( 比如 import math)，也可以載入 c 的庫的頭文件 ( 比如 :cdef extern from "math.h")，另外也可以用它來寫 python 代碼。將關(guān)鍵部分重寫成 C 擴展模塊

Linux Cpython 的安裝可以參考文檔

Cython 代碼與 python 不同，必須先編譯，編譯一般需要經(jīng)過兩個階段，將 pyx 文件編譯為 .c 文件，再將 .c 文件編譯為 .so 文件。編譯有多種方法：

通過命令行編譯

使用 distutils 編譯

下面來進(jìn)行一個簡單的性能比較：

1 from time importtime2 deftest(int n):3 cdef int a =04 cdef int i5 for i inxrange(n):6 a+=i7 returna8

9 t =time()10 test(10000000)11 print "total run time:"

12 print time()-t

測試結(jié)果：

[GCC 4.0.2 20051125 (Red Hat 4.0.2-8)] on linux2

Type"help", "copyright", "credits" or "license" formore information.>>> importpyximport; pyximport.install()>>> importctest

total run time:0.00714015960693

使用python測試結(jié)果：

通過清楚地對比可以發(fā)現(xiàn)使用 Cython 的速度提升了100多倍。

總結(jié)

以上是生活随笔為你收集整理的python中if的效率_Python 代码性能优化技巧的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。