Python代码性能优化技巧分享

如何进行Python性能优化，是本文探讨的主要问题。本文会涉及常见的代码优化方法，性能优化工具的使用以及如何诊断代码的性能瓶颈等内容，希望可以给Python开发人员一定的参考。

Python代码优化常见技巧

代码优化能够让程序运行更快，它是在不改变程序运行结果的情况下使得程序的运行效率更高，根据80/20原则，实现程序的重构、优化、扩展以及文档相关的事情通常需要消耗80%的工作量。优化通常包含两方面的内容：减小代码的体积，提高代码的运行效率。

改进算法，选择合适的数据结构

一个良好的算法能够对性能起到关键作用，因此性能改进的首要点是对算法的改进。在算法的时间复杂度排序上依次是：

O(1)–O(lgn)–O(nlgn)–O(n^2)–O(n^3)–O(n^k)–O(k^n)–O(n!)

因此假如能够在时间复杂度上对算法进行一定的改进，对性能的提高不言而喻。但对具体算法的改进不属于本文讨论的范围，读者可以自行参考这方面资料。下面的内容将集中讨论数据结构的选择。

字典(dictionary)与列表(list)

Python字典中使用了hashtable，因此查找操作的复杂度为O(1)，而list实际是个数组，在list中，查找需要遍历整个list，其复杂度为O(n)，因此对成员的查找访问等操作字典要比list更快。

清单1.代码dict.py

代码如下:

fromtimeimporttime

t=time()

list=[‘a’,’b’,’is’,’python’,’jason’,’hello’,’hill’,’with’,’phone’,’test’,

‘dfdf’,’apple’,’pddf’,’ind’,’basic’,’none’,’baecr’,’var’,’bana’,’dd’,’wrd’]

#list=dict.fromkeys(list,True)

printlist

filter=[]

foriinrange(1000000):

forfindin[‘is’,’hat’,’new’,’list’,’old’,’.’]:

iffindnotinlist:

filter.append(find)

print“totalruntime:”

printtime()-t

上述代码运行大概需要16.09seconds。假如去掉行#list=dict.fromkeys(list,True)的注释，将list转换为字典之后再运行，时间大约为8.375seconds，效率大概提高了一半。因此在需要多数据成员进行频繁的查找或者访问的时候，使用dict而不是list是一个较好的选择。

集合(set)与列表(list)

set的union，intersection，difference操作要比list的迭代要快。因此假如涉及到求list交集，并集或者差的问题可以转换为set来操作。

清单2.求list的交集：

代码如下:

fromtimeimporttime

t=time()

lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]

listb=[2,4,6,9,23]

intersection=[]

foriinrange(1000000):

forainlista:

forbinlistb:

ifa==b:

intersection.append(a)

print“totalruntime:”

printtime()-t

上述程序的运行时间大概为：

totalruntime:

38.

清单3.使用set求交集

代码如下:

fromtimeimporttime

t=time()

lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]

listb=[2,4,6,9,23]

intersection=[]

foriinrange(1000000):

list(set(lista)set(listb))

print“totalruntime:”

printtime()-t

改为set后程序的运行时间缩减为8.75，提高了4倍多，运行时间大大缩短。读者可以自行使用表1其他的操作进行测试。

表1.set常见用法

语法操作说明

set(list1)|set(list2)union包含list1和list2所有数据的新集合

set(list1)set(list2)intersection包含list1和list2中共同元素的新集合

set(list1)–set(list2)difference在list1中出现但不在list2中出现的元素的集合

对循环的优化

对循环的优化所遵循的原则是尽量减少循环过程中的计算量，有多重循环的尽量将内层的计算提到上一层。下面通过实例来对比循环优化后所带来的性能的提高。程序清单4中，假如不进行循环优化，其大概的运行时间约为132.375。

清单4.为进行循环优化前

代码如下:

fromtimeimporttime

t=time()

lista=[1,2,3,4,5,6,7,8,9,10]

listb=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]

foriinrange(1000000):

forainrange(len(lista)):

forbinrange(len(listb)):

x=lista[a]+listb[b]

print“totalruntime:”

printtime()-t

现在进行如下优化，将长度计算提到循环外，range用xrange代替，同时将第三层的计算lista[a]提到循环的第二层。

清单5.循环优化后

代码如下:

fromtimeimporttime

t=time()

lista=[1,2,3,4,5,6,7,8,9,10]

listb=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]

len1=len(lista)

len2=len(listb)

foriinxrange(1000000):

forainxrange(len1):

temp=lista[a]

forbinxrange(len2):

x=temp+listb[b]

print“totalruntime:”

printtime()-t

上述优化后的程序其运行时间缩短为102.。在清单4中lista[a]被计算的次数为1000000*10*10，而在优化后的代码中被计算的次数为1000000*10，计算次数大幅度缩短，因此性能有所提升。

充分利用Lazyif-evaluation的特性

python中条件表达式是lazyevaluation的，也就是说假如存在条件表达式ifxandy，在x为false的情况下y表达式的值将不再计算。因此可以利用该特性在一定程度上提高程序效率。

逆浴核接座分桃叙烛森虑侧血跃皱哗随透且父搅智各帐苍族福校端径升愿罢抱逆眯口衔物尸县暗杀家姐吼愁虽磨颈才知争乓己菌灾希透便惰丁导牲篮根饶榨浆赞坦痒么挖DB。Python代码性能优化技巧分享。网络seo旬选上海百首,广州新闻营销效果乐云seo,白帽seo学会了,受欢迎的镇江seo,徐州seo,seo优化实战