Python 是一種腳本語言，相比 C/C++ 這樣的編譯語言，在效率和性能方面存在一些不足。但是，有很多時候，Python 的效率并沒有想象中的那么夸張。本文對一些 Python 代碼加速運行的技巧進行整理。

0. 代碼優化原則

本文會介紹不少的 Python 代碼加速運行的技巧。在深入代碼優化細節之前，需要了解一些代碼優化基本原則。

第一個基本原則是不要過早優化。很多人一開始寫代碼就奔著性能優化的目標，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優化的前提是代碼能正常工作。過早地進行優化可能會忽視對總體性能指標的把握，在得到全局結果前不要主次顛倒。

第二個基本原則是權衡優化的代價。優化是有代價的，想解決所有性能的問題是幾乎不可能的。通常面臨的選擇是時間換空間或空間換時間。另外，開發代價也需要考慮。

第三個原則是不要優化那些無關緊要的部分。如果對代碼的每一部分都去優化，這些修改會使代碼難以閱讀和理解。如果你的代碼運行速度很慢，首先要找到代碼運行慢的位置，通常是內部循環，專注于運行慢的地方進行優化。在其他地方，一點時間上的損失沒有什么影響。

1. 避免全局變量

#?不推薦寫法。代碼耗時：26.8秒 import?mathsize?=?10000 for?x?in?range(size):for?y?in?range(size):z?=?math.sqrt(x)?+?math.sqrt(y)

許多程序員剛開始會用 Python 語言寫一些簡單的腳本，當編寫腳本時，通常習慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實現方式不同，定義在全局范圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通常可帶來 15% - 30% 的速度提升。

#?推薦寫法。代碼耗時：20.6秒 import?mathdef?main():??#?定義到函數中，以減少全部變量使用size?=?10000for?x?in?range(size):for?y?in?range(size):z?=?math.sqrt(x)?+?math.sqrt(y)main()

2. 避免.

2.1 避免模塊和函數屬性訪問

#?不推薦寫法。代碼耗時：14.5秒 import?mathdef?computeSqrt(size:?int):result?=?[]for?i?in?range(size):result.append(math.sqrt(i))return?resultdef?main():size?=?10000for?_?in?range(size):result?=?computeSqrt(size)main()

每次使用.（屬性訪問操作符時）會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。通過from import語句，可以消除屬性訪問。

#?第一次優化寫法。代碼耗時：10.9秒 from?math?import?sqrtdef?computeSqrt(size:?int):result?=?[]for?i?in?range(size):result.append(sqrt(i))??#?避免math.sqrt的使用return?resultdef?main():size?=?10000for?_?in?range(size):result?=?computeSqrt(size)main()

在第 1 節中我們講到，局部變量的查找會比全局變量更快，因此對于頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運行。

#?第二次優化寫法。代碼耗時：9.9秒 import?mathdef?computeSqrt(size:?int):result?=?[]sqrt?=?math.sqrt??#?賦值給局部變量for?i?in?range(size):result.append(sqrt(i))??#?避免math.sqrt的使用return?resultdef?main():size?=?10000for?_?in?range(size):result?=?computeSqrt(size)main()

除了math.sqrt外，computeSqrt函數中還有.的存在，那就是調用list的append方法。通過將該方法賦值給一個局部變量，可以徹底消除computeSqrt函數中for循環內部的.使用。

#?推薦寫法。代碼耗時：7.9秒 import?mathdef?computeSqrt(size:?int):result?=?[]append?=?result.appendsqrt?=?math.sqrt????#?賦值給局部變量for?i?in?range(size):append(sqrt(i))??#?避免?result.append?和?math.sqrt?的使用return?resultdef?main():size?=?10000for?_?in?range(size):result?=?computeSqrt(size)main()

2.2 避免類內屬性訪問

#?不推薦寫法。代碼耗時：10.4秒 import?math from?typing?import?Listclass?DemoClass:def?__init__(self,?value:?int):self._value?=?valuedef?computeSqrt(self,?size:?int)?->?List[float]:result?=?[]append?=?result.appendsqrt?=?math.sqrtfor?_?in?range(size):append(sqrt(self._value))return?resultdef?main():size?=?10000for?_?in?range(size):demo_instance?=?DemoClass(size)result?=?demo_instance.computeSqrt(size)main()

避免.的原則也適用于類內屬性，訪問self._value的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。

#?推薦寫法。代碼耗時：8.0秒 import?math from?typing?import?Listclass?DemoClass:def?__init__(self,?value:?int):self._value?=?valuedef?computeSqrt(self,?size:?int)?->?List[float]:result?=?[]append?=?result.appendsqrt?=?math.sqrtvalue?=?self._valuefor?_?in?range(size):append(sqrt(value))??#?避免?self._value?的使用return?resultdef?main():size?=?10000for?_?in?range(size):demo_instance?=?DemoClass(size)demo_instance.computeSqrt(size)main()

3. 避免不必要的抽象

#?不推薦寫法，代碼耗時：0.55秒 class?DemoClass:def?__init__(self,?value:?int):self.value?=?value@propertydef?value(self)?->?int:return?self._value@value.setterdef?value(self,?x:?int):self._value?=?xdef?main():size?=?1000000for?i?in?range(size):demo_instance?=?DemoClass(size)value?=?demo_instance.valuedemo_instance.value?=?imain()

任何時候當你使用額外的處理層（比如裝飾器、屬性訪問、描述器）去包裝代碼時，都會讓代碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用getter/setter函數對屬性進行訪問通常是 C/C++ 程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。

#?推薦寫法，代碼耗時：0.33秒 class?DemoClass:def?__init__(self,?value:?int):self.value?=?value??#?避免不必要的屬性訪問器def?main():size?=?1000000for?i?in?range(size):demo_instance?=?DemoClass(size)value?=?demo_instance.valuedemo_instance.value?=?imain()

4. 避免數據復制

4.1 避免無意義的數據復制

#?不推薦寫法，代碼耗時：6.5秒 def?main():size?=?10000for?_?in?range(size):value?=?range(size)value_list?=?[x?for?x?in?value]square_list?=?[x?*?x?for?x?in?value_list]main()

上面的代碼中value_list完全沒有必要，這會創建不必要的數據結構或復制。

#?推薦寫法，代碼耗時：4.8秒 def?main():size?=?10000for?_?in?range(size):value?=?range(size)square_list?=?[x?*?x?for?x?in?value]??#?避免無意義的復制main()

另外一種情況是對 Python 的數據共享機制過于偏執，并沒有很好地理解或信任 Python 的內存模型，濫用 copy.deepcopy()之類的函數。通常在這些代碼中是可以去掉復制操作的。

4.2 交換值時不使用中間變量

#?不推薦寫法，代碼耗時：0.07秒 def?main():size?=?1000000for?_?in?range(size):a?=?3b?=?5temp?=?aa?=?bb?=?tempmain()

上面的代碼在交換值時創建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運行速度更快。

#?推薦寫法，代碼耗時：0.06秒 def?main():size?=?1000000for?_?in?range(size):a?=?3b?=?5a,?b?=?b,?a??#?不借助中間變量main()

4.3 字符串拼接用join而不是+

#?不推薦寫法，代碼耗時：2.6秒 import?string from?typing?import?Listdef?concatString(string_list:?List[str])?->?str:result?=?''for?str_i?in?string_list:result?+=?str_ireturn?resultdef?main():string_list?=?list(string.ascii_letters?*?100)for?_?in?range(10000):result?=?concatString(string_list)main()

當使用a + b拼接字符串時，由于 Python 中字符串是不可變對象，其會申請一塊內存空間，將a和b分別復制到該新申請的內存空間中。因此，如果要拼接 n 個字符串，會產生 n-1?個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。而使用join()拼接字符串時，會首先計算出需要申請的總的內存空間，然后一次性地申請所需內存，并將每個字符串元素復制到該內存中去。

#?推薦寫法，代碼耗時：0.3秒 import?string from?typing?import?Listdef?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條件的短路特性

#?不推薦寫法，代碼耗時：0.05秒 from?typing?import?Listdef?concatString(string_list:?List[str])?->?str:abbreviations?=?{'cf.',?'e.g.',?'ex.',?'etc.',?'flg.',?'i.e.',?'Mr.',?'vs.'}abbr_count?=?0result?=?''for?str_i?in?string_list:if?str_i?in?abbreviations:result?+=?str_ireturn?resultdef?main():for?_?in?range(10000):string_list?=?['Mr.',?'Hat',?'is',?'Chasing',?'the',?'black',?'cat',?'.']result?=?concatString(string_list)main()

if 條件的短路特性是指對if a and b這樣的語句， 當a為False時將直接返回，不再計算b；對于if a or b這樣的語句，當a為True時將直接返回，不再計算b。因此， 為了節約運行時間，對于or語句，應該將值為True可能性比較高的變量寫在or前，而and應該推后。

#?推薦寫法，代碼耗時：0.03秒 from?typing?import?Listdef?concatString(string_list:?List[str])?->?str:abbreviations?=?{'cf.',?'e.g.',?'ex.',?'etc.',?'flg.',?'i.e.',?'Mr.',?'vs.'}abbr_count?=?0result?=?''for?str_i?in?string_list:if?str_i[-1]?==?'.'?and?str_i?in?abbreviations:??#?利用?if?條件的短路特性result?+=?str_ireturn?resultdef?main():for?_?in?range(10000):string_list?=?['Mr.',?'Hat',?'is',?'Chasing',?'the',?'black',?'cat',?'.']result?=?concatString(string_list)main()

6. 循環優化

6.1 用for循環代替while循環

#?不推薦寫法。代碼耗時：6.7秒 def?computeSum(size:?int)?->?int:sum_?=?0i?=?0while?i?<?size:sum_?+=?ii?+=?1return?sum_def?main():size?=?10000for?_?in?range(size):sum_?=?computeSum(size)main()

Python 的for循環比while循環快不少。

#?推薦寫法。代碼耗時：4.3秒 def?computeSum(size:?int)?->?int:sum_?=?0for?i?in?range(size):??#?for?循環代替?while?循環sum_?+=?ireturn?sum_def?main():size?=?10000for?_?in?range(size):sum_?=?computeSum(size)main()

6.2 使用隱式for循環代替顯式for循環

針對上面的例子，更進一步可以用隱式for循環來替代顯式for循環

#?推薦寫法。代碼耗時：1.7秒 def?computeSum(size:?int)?->?int:return?sum(range(size))??#?隱式?for?循環代替顯式?for?循環def?main():size?=?10000for?_?in?range(size):sum?=?computeSum(size)main()

6.3 減少內層for循環的計算

#?不推薦寫法。代碼耗時：12.8秒 import?mathdef?main():size?=?10000sqrt?=?math.sqrtfor?x?in?range(size):for?y?in?range(size):z?=?sqrt(x)?+?sqrt(y)main()?

上面的代碼中sqrt(x)位于內側for循環， 每次訓練過程中都會重新計算一次，增加了時間開銷。

#?推薦寫法。代碼耗時：7.0秒 import?mathdef?main():size?=?10000sqrt?=?math.sqrtfor?x?in?range(size):sqrt_x?=?sqrt(x)??#?減少內層?for?循環的計算for?y?in?range(size):z?=?sqrt_x?+?sqrt(y)main()?

7. 使用numba.jit

我們沿用上面介紹過的例子，在此基礎上使用numba.jit。numba可以將 Python 函數 JIT 編譯為機器碼執行，大大提高代碼運行速度。關于numba的更多信息見下面的主頁：http://numba.pydata.org/numba.pydata.org

#?推薦寫法。代碼耗時：0.62秒 import?numba@numba.jit def?computeSum(size:?float)?->?int:sum?=?0for?i?in?range(size):sum?+=?ireturn?sumdef?main():size?=?10000for?_?in?range(size):sum?=?computeSum(size)main()

8. 選擇合適的數據結構

Python 內置的數據結構如str, tuple, list, set, dict底層都是 C 實現的，速度非?？?#xff0c;自己實現新的數據結構想在性能上達到內置的速度幾乎是不可能的。

list類似于 C++ 中的std::vector，是一種動態數組。其會預分配一定內存空間，當預分配的內存空間用完，又繼續向其中添加元素時，會申請一塊更大的內存空間，然后將原有的所有元素都復制過去，之后銷毀之前的內存空間，再插入新元素。

刪除元素時操作類似，當已使用內存空間比預分配內存空間的一半還少時，會另外申請一塊小內存，做一次元素復制，之后銷毀原有大內存空間。

因此，如果有頻繁的新增、刪除操作，新增、刪除的元素數量又很多時，list的效率不高。此時，應該考慮使用collections.deque。collections.deque是雙端隊列，同時具備棧和隊列的特性，能夠在兩端進行 O(1) 復雜度的插入和刪除操作。

list的查找操作也非常耗時。當需要在list頻繁查找某些元素，或頻繁有序訪問這些元素時，可以使用bisect維護list對象有序并在其中進行二分查找，提升查找的效率。

另外一個常見需求是查找極小值或極大值，此時可以使用heapq模塊將list轉化為一個堆，使得獲取最小值的時間復雜度是 O(1)。

下面的網頁給出了常用的 Python 數據結構的各項操作的時間復雜度：https://wiki.python.org/moin/TimeComplexity

參考資料

• David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013.

• 張穎 & 賴勇浩. 編寫高質量代碼：改善Python程序的91個建議. 機械工業出版社, ISBN: 9787111467045, 2014.

作者：張皓

鏈接：https://zhuanlan.zhihu.com/p/143052860

推薦閱讀

Pandas處理數據太慢，來試試Polars吧！

懶人必備！只需一行代碼，就能導入所有的Python庫

絕！關于pip的15個使用小技巧

介紹10個常用的Python內置函數，99.99%的人都在用！

可能是全網最完整的 Python 操作 Excel庫總結！

總結

以上是生活随笔為你收集整理的嘘，Python 优化提速的 8 个小技巧的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。