本文共 1341 字,大约阅读时间需要 4 分钟。
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。
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
另外一个有趣的包, line_profiler
是一行一行的分析代码
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。
numpy
,它比标准的数据结构好很多。"".join(string)
比 + or +=
好while 1
比 while True
快 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。
一直使用 C 版本的模块
局部变量比全局变量,内建类型以及属性快。
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。
下面是 Python 性能快速优化的第二部分。
for 循环
a in b
, 字典 或 set 比 列表 或 元组 更好deque
gc
模块 2) 编写 __del__
函数 3) 最简单的方式,使用后调用 del
GIL 仅仅允许一个 Python 的原生线程来运行每个进程。阻止 CPU 级别的并行,尝试使用 ctypes
和 原生的 C 库来解决它,当你达到 Python 优化的最后,总是存在一个选项,可以使用原生的 C 重写慢的函数,通过 Python 的 C 绑定使用它,其他的库如 gevent
也是致力于解决这个问题,并且获得了成功。
TL,DR:当你写代码了,过一遍数据结构,迭代结构,内建和为 GIL 创建 C 扩展,如有必要。
更新:multiprocessing 是在 GIL 的范围之外,这意味着你可以使用 multiprocessing
这个标准库来运行多个进程
转载地址:http://hhhbi.baihongyu.com/