如何使 Python 程序快如闪电，提速 30%？

讨厌 Python 的人总是说，他们不想使用它的原因之一是它很慢。不管使用什么编程语言，程序是快还是慢都在很大程度上取决于编写程序的开发人员，以及他们编写最优化快速程序的技能和能力。在本文中，让我们来证明一下某些人的“误解”，看看如何提高 Python 程序的性能，使它们变得非常快！

本文最初发布于 martinheinz.dev 博客，经原作者授权由 InfoQ 中文站翻译并分享。

计时和性能分析

在我们开始优化任何东西之前，我们首先需要找出到底是代码的哪些部分减慢了整个程序。有时候，程序的瓶颈可能是显而易见的，但如果你不知道它在哪里，那么以下选项可以帮你找出来。
这是我将用于演示的程序，它计算 e 的 X 次方（摘自 Python 文档）：


复制代码

# slow_program.py
fromdecimalimport*
def exp(x):
getcontext().prec +=2
i, lasts, s, fact, num =0,0,1,1,1
whiles != lasts:
lasts = s
i +=1
fact *= i
num *= x
s += num / fact
getcontext().prec -=2
return+s
exp(Decimal(150))
exp(Decimal(400))
exp(Decimal(3000))

最懒的“性能分析”

首先是最简单同时又非常懒惰的解决方案——Unix time 命令：


复制代码

~ $ time python3.8 slow_program.py
real 0m11,058s
user 0m11,050s
sys 0m0,008s

如果你只是想计算整个程序的运行时间，这就行了，但这通常不能满足需求……

最详细的性能分析

另一个极端是 cProfile，它提供的信息又太多了：


复制代码

~$python3.8-mcProfile-stimeslow_program.py
1297functioncalls(1272primitivecalls)in11.081seconds
Ordered by:internaltime
ncallstottimepercallcumtimepercallfilename:lineno(function)
311.0793.69311.0793.693slow_program.py:4(exp)
10.0000.0000.0020.002{built-inmethod_imp.create_dynamic}
4/10.0000.00011.08111.081{built-inmethodbuiltins.exec}
60.0000.0000.0000.000{built-inmethod__new__oftypeobjectat0x9d12c0}
60.0000.0000.0000.000abc.py:132(__new__)
230.0000.0000.0000.000_weakrefset.py:36(__init__)
2450.0000.0000.0000.000{built-inmethodbuiltins.getattr}
20.0000.0000.0000.000{built-inmethodmarshal.loads}
100.0000.0000.0000.000:1233(find_spec)
8/40.0000.0000.0000.000abc.py:196(__subclasscheck__)
150.0000.0000.0000.000{built-inmethodposix.stat}
60.0000.0000.0000.000{built-inmethodbuiltins.__build_class__}
10.0000.0000.0000.000__init__.py:357(namedtuple)
480.0000.0000.0000.000:57(_path_join)
480.0000.0000.0000.000:59()
10.0000.00011.08111.081slow_program.py:1()

在这里，我们使用 cProfile 模块和 time 参数运行测试脚本，这样就可以根据内部时间（cumtime）对代码行进行排序。这给了我们很多信息，上面的内容大约是实际输出的 10%。从这里，我们可以看到 exp 函数是罪魁祸首（惊喜！），现在我们可以得到更具体的时间和性能分析…

对具体的函数计时

现在我们知道了应该将注意力放在哪里，我们可能希望对慢速函数进行计时，而不需要测量代码的其余部分。我们可以使用简单的装饰器：


复制代码

def timeit_wrapper(func):
@wraps(func)
defwrapper(*args, **kwargs):
start =time.perf_counter() # Alternatively, you can usetime.process_time()
func_return_val = func(*args, **kwargs)
end =time.perf_counter()
print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__,end-start))
returnfunc_return_val
returnwrapper

接下来，可以把这个装饰器应用到函数上，像下面这样：


复制代码

@timeit_wrapper
defexp(x):
...
print('{0:<10} {1:<8} {2:^8}'.format('module','function','time'))
exp(Decimal(150))
exp(Decimal(400))
exp(Decimal(3000))

输出如下：


复制代码

~ $ python3.8slow_program.py
module functiontime
__main__.exp:0.003267502994276583
__main__.exp:0.038535295985639095
__main__.exp:11.728486061969306

需要考虑的一件事是我们实际上（想）测量的是哪种时间。时间包提供了 time.perf_counter 和 time.process_time。它们的不同之处在于 perf_counter 返回绝对值，其中包括 Python 程序进程不运行时的时间，因此可能会受到机器负载的影响。另一方面，process_time 只返回用户时间（不包括系统时间），只是进程的时间。

使之变快

有趣的部分来了。我们将让你的 Python 程序运行得更快一些。我（基本上）不会向你展示一些能够神奇地解决性能问题的骇客技术、技巧和代码片段。这里介绍的更多的是一般的想法和策略，当你使用它们时，可以对性能产生巨大的影响，在某些情况下可以提高 30% 的速度。

使用内置数据类型

这一点很明显。内置数据类型非常快，特别是与树或链表等自定义类型相比。这主要是因为内置类型是用 C 实现的，在用 Python 编码时，我们无法在速度上与之匹配。

使用 lru_cache 缓存数据

我已经在之前的 博文
中介绍过这个，但是我认为值得通过一个简单的例子再说明一下：


复制代码

importfunctools
importtime
# 最多缓存 12 个不同的结果
@functools.lru_cache(maxsize=12)
defslow_func(x):
time.sleep(2)# 模拟长时间计算
returnx
slow_func(1)# ... 等待 2 秒才能获得结果
slow_func(1)# 结果已缓存，会立即返回
slow_func(3)# ... 等待 2 秒才能获得结果

上面的函数使用 time.sleep 模拟大量计算。第一次使用参数 1 调用时，它将等待 2 秒，然后才返回结果。当再次调用时，结果已经被缓存，因此，它会跳过函数体并立即返回结果。要了解更多真实的例子，请点击 这里
查看以前的博文。

使用局部变量

这与在每个作用域内查找变量的速度有关。我会写每个作用域，因为它不只关乎使用局部变量还是全局变量。查找速度也确实存在差异，函数中的局部变量最快，类级属性（例如 self.name）次之，而全局（例如导入的函数 time.time）变量最慢。
你可以像下面这样，使用不必要的赋值来提升性能：


复制代码

# 示例#1
classFastClass:
defdo_stuff(self):
temp =self.value# 这可以加速循环中的查找
foriinrange(10000):
...# 在这里使用`temp`做些操作
# 示例#2
import random
deffast_function():
r = random.random
foriinrange(10000):
print(r())# 在这里调用`r()`，比全局的 random.random() 要快

使用函数

这看起来可能不符合直觉，因为调用函数会将更多的东西放到堆栈中，从函数返回时会产生开销，但这与前面一点有关。如果你只是将整个代码放入一个文件中，而不将其放入函数中，那么由于全局变量的关系，速度会慢很多。因此，你只是将整个代码封装在 main 函数中并调用一次，就可以加快你的代码，像这样:


复制代码

defmain():
...# 之前所有的全局代码
main()

不要访问属性

另一个可能降低程序速度的是点操作符（.），它可以用于访问对象属性。这个操作符使用 _getattribute__ 触发字典查找，这会在代码中产生额外的开销。那么，我们如何才能避免（限制）使用它呢？


复制代码

# 慢:
importre
defslow_func():
foriinrange(10000):
re.findall(regex, line)# 慢!
# 快:
fromreimportfindall
deffast_func():
foriinrange(10000):
findall(regex, line)# 较快!

提防字符串

在循环中运行诸如模数（%s）或.format() 之类的方法时，对字符串的操作可能会变得非常慢。我们还有什么更好的选择吗？根据 Raymond Hettinger 最近的 推文
，我们唯一应该使用的是 f-string，它是最易读、最简洁、最快速的方法。因此，根据那条推文，你可以使用以下方法——从最快的到最慢的：


复制代码

f'{s} {t}'# 快!
s +' '+ t
' '.join((s, t))
'%s %s'% (s, t)
'{} {}'.format(s, t)
Template('$s$t').substitute(s=s, t=t)# 慢!

生成器本身并没有更快，因为它们允许延迟计算，这节省的是内存而不是时间。但是，节省的内存可能会使得程序在实际运行时更快。为什么？如果你有一个大型数据集，并且没有使用生成器（迭代器），那么数据可能会溢出 CPU L1 缓存，这将显著降低在内存中查找值的速度。

说到性能，很重要的一点是 CPU 可以将它正在处理的所有数据保存在缓存中。你可以看下 Raymond Hettingers 的演讲
，他提到了这些问题。

小结

优化的第一原则是不做优化。但是，如果你真的需要，我希望这些小技巧能帮到你。不过，在优化代码时要注意，因为它可能会使代码难于阅读、难于维护，甚至超过优化带来的好处。

原文链接：

https://martinheinz.dev/blog/13