注： 本文的原文地址 quick-python-performance-optimization-part-i
Python可能最容易扼杀你的想法，但不是最好的代码实现。尽管强烈反对过早优化，但在 Python 代码中一点点的优化都可能带来巨大的性能提升。
解释仅仅是目的，最正确的方式是天天使用 Python 编程，并且与性能影响相关。
- %timeit (per line) 和 %prun (cProfile) 在 ipython 的交互式 Shell 中
当你的代码在工作时，分析你的代码，并且尝试找出性能瓶颈在哪里。这不与过早的优化是万恶之源这个事实相反。这意味着一级优化，而不是进入冗长的优化序列。
更多的分析你的 Python 代码，你需要阅读这个 python-performance-analysis
另外一个有趣的包， line_profiler 是一行一行的分析代码
分析 line_profiler
- 降低方法调用次数，如果你有一个列表需要操作，传递整个列表，而不是遍历整个列表并且传递每个元素给函数并返回。
- 使用
xrange代替range。（在 Python2.x 中这样做，因为 Python 3.x 中是默认的）
xrange 是 range 的 C 实现，着眼于有效的内存使用。
对于大数据，使用
numpy，它比标准的数据结构好很多。"".join(string)比+ or +=好while 1比while True快list comphrension > for loop > while
列表推导比循环遍历列表快，但 while loop 是最慢的，需要使用一个外部计数器。
- 使用 cProfile，cStringIO 和 cPickle
一直使用 C 版本的模块
- 使用局部变量
局部变量比全局变量，内建类型以及属性快。
- 列表和迭代器版本存在 - 迭代器是内存效率和可伸缩性的。使用
itertools
创建生成器以及尽可能使用 yeild，它们比正常的列表方式更快。
http://www.diveinto.org/python3/iterators.html
http://stackoverflow.com/questions/231767/the-python-yield-keyword-explained
让我继续下一个层次的第二部分快速优化技巧