如何让ython运行地超快的10个方法，新手必学

但也不要过于担心 python 的速度，这并不一定是一个非此即彼的命题。经过适当优化，Python 应用程序可以以惊人的速度运行 —— 也许还不能达到 Java 或 C 语言的速度，但是对于 Web 应用程序、数据分析、管理和自动化工具以及大多数其他用途来说，速度已经足够快了。快到你可能会忘记了你是在用应用程序性能换取开发人员的生产力。

优化 Python 性能不能单从一个角度上看。而是应用所有可用的优化方法，并选择最适合当前场景的多种方法的集合。(Dropbox 的员工有一个最令人瞠目的例子，展示了 python 优化的强大功能，点击链接查看。)

在本文中，我将简单讲述许多常见的 python 优化方法。有些是临时措施，只需要简单地将一项转换为另一项 (例如更换 Python 解释器)，但是那些带来最大收益的方法将需要更详细的工作。

1. 算速度、算速度、算速度！

如果你不能够找出速度慢的原因所在，你就不能确定你的 python 应用程序为什么运行地不够理想。

计算的方法有很多，你可以尝试 python 内置的 cProfile 模块进行简单的计算分析，如果需要更高的精度（计算每行语句运行时间），可以使用 line_profiler 第三方工具。通常而言，从计算程序的函数运行时间进行分析就能够给你提供改进方案，所以推荐使用 profilehooks 第三方库，它能计算单个函数的运行时间。

你可能需要更多的挖掘才能发现为什么你的程序某个地方这么慢、怎么修复它。重点在于缩小你的排查范围，逐渐细化到某条语句上。

2. 缓存需要重复使用的数据

当你可以把需要计算出来的数据保存下来的时候，千万不要重复上千次去计算它。如果你有一个经常需要使用的函数，而且返回的是可预测的结果，Python 已经给你提供了一个选项，能将其缓存到内存中。后续的函数调用如果是一样的，将立即返回结果。

有许多方法都可以做到，比如说：使用 python 的一个本地库：functools，拥有一个装饰器，叫 @functools.lru_cache，它能够缓存函数最近的 N 个调用，当缓存的值在特定时间内保持不变的时候这个非常好用，比如说列出最近一天使用的物品。

3. 将数学计算重构为 NumPy

如果你的 Python 程序中有基于矩阵或数组的数学运算，并且希望更高效地对它们进行计算，那么你就应该使用 NumPy，因为它通过使用 C 库来完成繁重的工作，比原生 python 解释器能更快得处理数组，而且能比 Python 内置数据结构更有效地存储数字数据。

NumPy 还可以极大地加速相对普通的数学运算。该包为许多常见的 Python 数学操作 (如 min 和 max) 提供了替换，这些操作的速度比原始 Python 快很多倍。

NumPy 的另一个优点是对大型对象 (比如包含数百万项的列表) 能更有效地使用内存。一般来说，如果用传统的 Python 表示类似于 NumPy 中的大型对象，那么它们将占用大约四分之一的内存。

重写 Python 算法以使用 NumPy 需要做一些工作，因为需要使用 NumPy 的语法重新声明数组对象。但是 NumPy 在实际的数学操作中使用 Python 现有的习惯用法 (+、- 等等)，所以切换到 NumPy 并不会让人太迷惑。

4. 使用 C 库

NumPy 使用 C 编写的库是一种很好的方法。如果现有的 C 库能够满足你的需求，那么 Python 及其生态系统将提供几个选项来连接到该库并利用其提高速度。

最常用的方法是 Python 的 ctypes 库](https://pythondict.com/tag/%e5%ba%93/ “库”)。因为 ctypes 与其他 Python 应用程序广泛兼容，所以它是最好的起点，但也并不是唯一的，CFFI 项目为 C. Cython 提供了一个更优雅的接口 (参见下面第五点)，也可以用来包装外部库，代价是你必须学习 Cython 的标记方法。

5. 转换为 Cython

如果你非常追求速度，应该用 C 而不是 python，但是对于我这种有 python 依赖症的人来说，对 C 天生就有种畏惧。现在有一个很好的解决办法出来了。

Cython 允许 Python 用户方便地访问 C 的速度。现有的 Python 代码可以逐步转换为 C ：首先通过 Cython 将所述代码编译为 C，然后通过添加类型注释以获得更快的速度。

不过，Cython 不能变魔术。按原样转换为 Cython 的代码通常运行速度通常不会加快超过 15％到 50％，因为该级别的大多数优化都集中在减少 Python 解释器的开销上。只有在为 Cython 模块提供类型注释时才允许将相关代码转换为纯 C，这时候的速度提升才最大。

6. 使用多线程

由于全局解释器锁（GIL）的存在，Python 规定一次只执行一个线程，以避免在使用多个线程时出现状态问题。它的存在有充分的理由，但依然很讨厌。

随着时间的推移，GIL 的效率显著提高 (这是为什么你应该用 python3 的其中一个原因)，但是核心问题仍然存在。为了解决这个问题，Python 提供了多处理模块（multiprocessing）来在单独的内核上运行 Python 解释器的多个进程。状态可以通过共享内存或服务器进程共享，数据可以通过队列或管道在进程实例之间传递。

您仍然必须手动管理进程之间的状态。此外，启动多个 Python 实例并在它们之间传递对象也会涉及不少开销。尽管如此，多处理库还是很有用的。另外，使用了 C 库的 Python 模块和包 (如 NumPy) 也是完全避免 GIL 的。这也是推荐它们提高速度的另一个原因。

7. 知道你的库正在干嘛

简单地输入 import xyz 是多么方便啊，但是你知道，第三方库虽然可以改变应用程序的性能，但并不总是向好的方向发展。

有时，你加了某个模块的时候，应用程序反而变慢了，这就是来自特定库的模块构成瓶颈。同样，仔细计算运行时间也会有所帮助，有时则不那么明显。示例：Pyglet 是一个用于创建窗口图形化应用程序的库，它自动启用调试模式，这将极大地影响性能，直到显式禁用为止。除非阅读文档，否则你可能永远不会意识到这一点。多读书，多了解情况。

8. 意识到平台间的速度差异

Python 的运行是跨平台的，但这并不意味着每个操作系统 (Windows、Linux、OS X) 的特性都可以在 Python 下抽象出来。大多数情况下，你需要了解平台的细节，比如路径命名约定等等。

但在性能方面，理解平台的差异也很重要。例如，有些 python 脚本需要使用 Windows 的 api 去访问一些特定的应用，这些应用也可能会减慢运行速度。

9. 使用 pypy 运行程序

CPython 是 Python 最常用的优化方案，因为它优先考虑兼容性而不是原始速度。对于那些想把速度放在首位的程序员来说，PyPy 是一个 Python 更好的方案，它配备了一个 JIT 编译器来加速代码的执行（编译为 C 代码）。

因为 PyPy 被设计为 CPython 的一个临时替代品，所以它是获得快速性能提升的最简单方法之一。大多数 Python 应用程序将完全按原样运行在 PyPy 上。然而，充分利用 PyPy 可能需要不断地测试。你将会发现，长时间运行的应用程序更有可能从 PyPy 中获得了最大的性能收益，因为编译器会随着时间分析执行情况。对于运行和退出的简短脚本，最好使用 CPython，因为性能的提高不足以克服 JIT 的开销。