7个Python优化原则：让代码运行的更快

在众多编程语言中，Python 是通用性非常高的语言之一，同时具有简单性和可读性。 Python 因其易于阅读的语法、面向对象的特性、社区支持和大量的库而受到广泛的欢迎。它可用于数据分析、人工智能、Web开发、游戏开发等领域。

然而，与任何编程语言一样，Python 也拥有一定的劣势。其中之一是性能优化。由于其是解释语言的性质，开发人员总是对其速度和性能感到担忧。这正是代码优化发挥作用的地方。

什么是代码优化？

Python 是一种解释性语言，这意味着它的运行速度不如类似C语言这样的编译语言 。但是，我们可以利用某些技术和策略来优化 Python 代码并提高其性能。

本文讲述了如何让 Python 代码运行得更快、更高效的一些原则。

在本文中，我们使用 Python 的 timeit 模块对代码执行的时间测量。

注意：timeit 模块默认运行该函数一百万次。

下面让我们一起来看看这些优化原则吧~

原则一：使用生成器生成列表、字典

在 Python 2.7 和其以上版本中，增加了对列表、字典、集合使用生成器的功能，这些功能使得以更简洁和更有效的方式生成列表、字典和集合。

使用传统的循环方法创建一个函数并生成一个列表：

>>> def do_1():
...     list_object = []
...     for i in range(100):
...         list_object.append(i)

导入 Python 内置timeit 模块来查看此函数运行多长时间：

>>> import timeit
>>> t = timeit.Timer(setup='from __main__ import do_1', stmt='do_1()')
>>> t.timeit()

5.526153074999996

上面的输出显示该函数大约需要5.52秒运行。

现在，使用生成器生成此列表并查看需要多长时间：

>>> def do():
...     [i for i in range(100)]

>>> t = timeit.Timer(setup='from __main__ import do', stmt='do()')
>>> t.timeit()

2.805562479999992

从上面的代码中可以看出，该函数的运行时间大约为 2.81 秒。

从上述的推导式程序中可以看出，除了理解更简洁、更容易阅读之外，它也更快。这使得此方法成为生成列表和循环的首选方法。

原则二：避免字符串连接，使用join()拼接

使用 += 运算符进行字符串连接是开发人员通常用来连接字符串的方法。但是，在循环内，由于字符串的不可变性质，它可能会很慢。

相反，请使用str.join() 方法来实现高效串联。

使用 += 运算符连接字符串并查看其执行时间：

>>> def do():
...     obj = ["hello", "my", "name", "is", "Delight", "!"]
...     s = ""
...     for elem in obj:
...         s += elem

>>> import timeit
>>> t = timeit.Timer(setup='from __main__ import do', stmt='do()')
>>> t.timeit()

0.4512660080000046

使用 += 运算符实现字符串连接，大约需要 0.45 秒才能完成。

使用 join() 来实现字符串拼接：

>>> def do():
...     s = ["hello", "my", "name", "is", "Delight", "!"]
...     "".join(s)

>>> import timeit
>>> t = timeit.Timer(setup='from __main__ import do', stmt='do()')
>>> t.timeit()

0.22072907100005068

使用join()将函数的执行时间从0.45秒减少到0.22秒。

原则三：使用Map做循环体

在大多数情况下，for 循环 可以替换为更高效的函数，称为 map() 。 map() 函数是一个内置的高阶函数，允许您将给定函数应用于可迭代的对象（例如列表、元组或字符串）。使用 map() 的主要优点是它提供了一种简洁高效的数据转换方法，无需显式循环。

传统的循环方式：

def do():
    obj = ["hello", "my", "name", "is", "Delight", "!"]
    new = []
    for i in obj:
        new.append(i.upper())
        
import timeit
t = timeit.Timer(setup='from __main__ import do', stmt='do()')
t.timeit()


0.26445533200012505

该函数执行了0.26秒。

使用map()函数做相同的功能：

def square(x):
    return x.upper()

def do():
    obj = ["hello", "my", "name", "is", "Delight", "!"]
    map(square, obj)

import timeit
t = timeit.Timer(setup='from __main__ import do', stmt='do()')
t.timeit()


0.21958118600014132

该函数用了0.22秒。

原则四：选择正确的数据结构

选择正确的数据结构会对 Python 代码的执行速度产生重大影响。不同的数据结构针对特定类型的操作进行了优化，选择合适的数据结构可以加快查找、插入、删除速度，并提高整体性能。

例如，判断容器内元素的时候，字典就比列表快的多。

>>> def do():
...     fruits_list = ['apple', 'banana', 'orange', 'grape', 'pear']
...     'banana' in fruits_list
...     'kiwi' in fruits_list

>>> import timeit
>>> t = timeit.Timer(setup='from __main__ import do', stmt='do()')
>>> t.timeit()
0.24339481300014086

>>> def do():
...     fruits_list = {'apple', 'banana', 'orange', 'grape', 'pear'}
...     'banana' in fruits_list
...     'kiwi' in fruits_list

>>> import timeit
>>> t = timeit.Timer(setup='from __main__ import do', stmt='do()')
>>> t.timeit()

0.18055910699990818

原则5：尽量避免全局变量

全局变量在跨程序共享数据方面发挥着重要作用。但是，应谨慎使用它们，并且仅在必要时使用。访问全局变量比访问局部变量慢。请注意始终尽量减少全局变量的使用，尤其是在循环内。

原则6：避免不必要的函数调用

避免 Python 中不必要的函数调用对于提高代码的效率和性能非常重要。不必要的函数调用会带来开销、消耗内存并减慢程序的执行速度。尽可能组合操作。

原则7：避免不必要的import

避免 Python 中不必要的 import 语句对于维护干净、高效的代码至关重要。不必要的 import 有时会导致模块之间的循环依赖。

总结

在本文中，我们介绍了优化Python代码的7个原则，这7个原则能够充分利用 Python 的潜力，提高Python代码执行效率。