前言
这种观点在关于编程语言的讨论中经常出现，经常掩盖了Python的众多优点。
事实是，如果能以Pythonic的方式编写Python代码，它是很快的。
细节决定成败。经验丰富的Python开发者掌握了一系列微妙而强大的技巧，可以显著提高代码的性能。
这些技巧乍看之下似乎微不足道，但它们可以带来效率的大幅提升。让我们深入了解其中的9种方法，改变编写和优化Python代码的方式。
1. 更快的字符串连接：巧妙选择“join()”或“+”
如果有大量字符串等待处理，字符串连接将成为Python程序的瓶颈。
基本上，Python有两种字符串连接的方式：
那么哪种方式更快呢？
现在，让我们定义3个不同的函数来连接相同的字符串：
mylist = ["Yang", "Zhou", "is", "writing"]
# 使用'+'
def concat_plus():
result = ""
for word in mylist:
result += word + " "
return result
# 使用'join()'
def concat_join():
return " ".join(mylist)
# 直接连接而不使用列表
def concat_directly():
return "Yang" + "Zhou" + "is" + "writing"根据你的第一印象，你认为哪个函数最快，哪个最慢？
真正的结果可能会让你惊讶：
import timeit
print(timeit.timeit(concat_plus, number=10000))
# 0.002738415962085128
print(timeit.timeit(concat_join, number=10000))
# 0.0008482920238748193
print(timeit.timeit(concat_directly, number=10000))
# 0.00021425005979835987如上所示，对于连接一组字符串，join()方法比在for循环中逐个添加字符串更快。
原因很简单。一方面，字符串在Python中是不可变的数据，每次+=操作都会创建一个新字符串并复制旧字符串，这在计算上成本是昂贵的。
另一方面，.join()方法专门针对连接一系列字符串进行了优化。它会预先计算出所生成字符串的大小，然后一次性创建它。因此，它避免了循环中+=操作带来的开销，从而使速度更快。
然而，在我们的测试中，速度最快的函数是直接连接字符串文字。它的高速度是由于：
- Python解释器可以在编译时优化字符串文字的连接，将它们转换为一个单独的字符串文字。这里不涉及循环迭代或函数调用，因此是一种非常高效的操作。
- 由于所有字符串在编译时都是已知的，Python可以非常快速地执行此操作，比在循环中进行的运行时连接或经过优化的.join()方法要快得多。
总之，如果需要连接一组字符串，请选择join()而不是+=。如果想要直接连接字符串，只需使用+即可。
2. 更快的列表创建：使用“[]”而不是“list()”
创建列表并不是很难的事情。常见的两种方式是：
让我们使用一个简单的代码片段来测试它们的性能：
import timeit
print(timeit.timeit('[]', number=10 ** 7))
# 0.1368238340364769
print(timeit.timeit(list, number=10 ** 7))
# 0.2958830420393497结果显示，执行list()函数比直接使用[]要慢。
这是因为[]是一种字面量语法，而list()是一个构造函数调用。调用函数无疑需要额外的时间。
从同样的逻辑出发，在创建字典时，我们也应该使用{}而不是dict()。
3. 更快的成员测试：使用集合而不是列表
成员测试操作的性能在很大程度上依赖于底层数据结构：
import timeit
large_dataset = range(100000)
search_element = 2077
large_list = list(large_dataset)
large_set = set(large_dataset)
def list_membership_test():
return search_element in large_list
def set_membership_test():
return search_element in large_set
print(timeit.timeit(list_membership_test, number=1000))
# 0.01112208398990333
print(timeit.timeit(set_membership_test, number=1000))
# 3.27499583363533e-05正如上述代码所示，使用集合进行成员测试比使用列表更快。
为什么会这样呢？
- 在Python的列表中，成员测试（列表中的元素）是通过迭代每个元素直到找到所需的元素或达到列表的末尾来完成。因此，此操作的时间复杂度为O(n)。
- Python中的集合实现形式为哈希表。在进行成员检查（集合中的元素）时，Python使用哈希机制，其平均时间复杂度为O(1)。
这里的关键在于：在编写程序时要仔细考虑底层数据结构。正确利用合适的数据结构可以显著加快代码的运行速度。
4. 更快的数据生成：使用推导式而不是for循环
Python中有四种推导式类型：列表推导式、字典推导式、集合推导式和生成器推导式。它们不仅为创建相对数据结构提供了更简洁的语法，而且比使用for循环更高效，因为它们在Python的C实现中进行了优化。
import timeit
def generate_squares_for_loop():
squares = []
for i in range(1000):
squares.append(i * i)
return squares
def generate_squares_comprehension():
return [i * i for i in range(1000)]
print(timeit.timeit(generate_squares_for_loop, number=10000))
# 0.2797503340989351
print(timeit.timeit(generate_squares_comprehension, number=10000))
# 0.2364629579242319上述代码是列表推导式和for循环之间的简单速度比较。结果显示，列表推导式更快。
5. 更快的循环：优先使用局部变量
在Python中，访问局部变量比访问全局变量或对象的属性更快。
以下是一个实例来证明这一点：
import timeit
class Example:
def __init__(self):
self.value = 0
obj = Example()
def test_dot_notation():
for _ in range(1000):
obj.value += 1
def test_local_variable():
value = obj.value
for _ in range(1000):
value += 1
obj.value = value
print(timeit.timeit(test_dot_notation, number=1000))
# 0.036605041939765215
print(timeit.timeit(test_local_variable, number=1000))
# 0.024470250005833805这就是Python的工作原理。直观地说，当一个函数被编译时，其中的局部变量是已知的，但其他外部变量需要时间来检索。
这可能是一个小问题，但是当处理大量数据时，我们可以利用它来优化我们的代码。
6. 更快的执行速度：优先使用内置模块和库
当工程师们说到Python时，默认情况下指的是CPython。因为CPython是Python语言的默认实现，也是使用最广泛的实现。
鉴于它的大部分内置模块和库都是用C语言编写的，而C语言是一种更快且更底层的语言，因此我们应该利用这些内置模块和库，避免重复劳动。
import timeit
import random
from collections import Counter
def count_frequency_custom(lst):
frequency = {}
for item in lst:
if item in frequency:
frequency[item] += 1
else:
frequency[item] = 1
return frequency
def count_frequency_builtin(lst):
return Counter(lst)
large_list = [random.randint(0, 100) for _ in range(1000)]
print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))
# 0.005160166998393834
print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))
# 0.002444291952997446上面的程序比较了两种统计列表中元素频率的方法。可以看到，利用collections模块中内置的Counter函数比自己编写的for循环更快、更简洁、更好。
7. 更快的函数调用：利用缓存装饰器轻松实现记忆化
缓存是一种常用的技术，用于避免重复计算并加快程序的运行速度。
幸运的是，在大多数情况下，我们不需要自己编写缓存处理代码，因为Python为此提供了一个开箱即用的装饰器来实现这个目的——@functools.cache。
例如，下面的代码将执行两个生成斐波那契数的函数，一个有缓存装饰器，而另一个没有：
import timeit
import functools
def fibonacci(n):
if n in (0, 1):
return n
return fibonacci(n - 1) + fibonacci(n - 2)
@functools.cache
def fibonacci_cached(n):
if n in (0, 1):
return n
return fibonacci_cached(n - 1) + fibonacci_cached(n - 2)
# 测试每个函数的执行时间
print(timeit.timeit(lambda: fibonacci(30), number=1))
# 0.09499712497927248
print(timeit.timeit(lambda: fibonacci_cached(30), number=1))
# 6.458023563027382e-06结果证明了@functools.cache装饰器是如何使我们的代码变得更快的。
基本的fibonacci函数效率较低，因为在计算fibonacci(30)结果的过程中，它会多次重新计算相同的斐波那契数。
而使用缓存的版本要快得多，因为它缓存了之前的计算结果。因此，它只计算每个斐波那契数一次，并且对于相同的参数再次调用时会从缓存中获取结果。
仅仅添加一个内置的装饰器就可以带来如此大的改进，这就是Pythonic的意义所在。😎
8. 更快的无限循环：优先使用"while 1"而不是"while True"
要创建一个无限的while循环，我们可以使用while True或while 1。
它们的性能差异通常可以忽略不计。但是，了解while 1稍微快一些还是很有趣的。
这源于1是一个字面常量，而True是Python全局作用域中需要查找的一个全局名称，因此需要一点点额外开销。
让我们在代码片段中进一步比较这两种方式的真实性能：
import timeit
def loop_with_true():
i = 0
while True:
if i >= 1000:
break
i += 1
def loop_with_one():
i = 0
while 1:
if i >= 1000:
break
i += 1
print(timeit.timeit(loop_with_true, number=10000))
# 0.1733035419601947
print(timeit.timeit(loop_with_one, number=10000))
# 0.16412191605195403正如所看到的，while 1的速度确实稍快一些。
然而，现代的Python解释器（如CPython）已经过高度优化，这种差异通常是微不足道的。所以不需要担心这种可忽略的差异。更不用说while True比while 1更易读了。
9. 更快的启动：巧妙地导入Python模块
在Python脚本的顶部导入所有模块似乎是很自然的。
实际上，我们并不需要这样做。
而且，如果一个模块太大，在需要时导入它是一个更好的选择。
def my_function():
import heavy_module
# 函数的其余部分以上代码中，heavy_module是在函数内部导入的。这是一种“延迟加载”的思想，即延迟到在调用my_function时才进行导入。
这种方法的好处是，如果在执行脚本的过程中从未调用过my_function，那么heavy_module就不会被加载，从而节省资源并减少脚本的启动时间。
结语
综上所述，就是9个优化Python代码性能的实用技巧，但在实际应用时需要根据具体情况进行权衡和调整。通过综合考虑代码的性能、可读性和可维护性，进而编写出高效且易于理解的Python代码。
