本篇内容介绍了“Python性能提升的方法有哪些”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
创新互联-专业网站定制、快速模板网站建设、高性价比张家川回族自治网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式张家川回族自治网站制作公司更省心,省钱,快速模板网站建设找我们，业务覆盖张家川回族自治地区。费用合理售后完善，十年实体公司更值得信赖。
时序分析
优化之前，首先要找到是哪部分代码拖慢了整个程序的运行。有时候程序的"瓶颈"不是很明显，如果找不到，以下是一些建议以供参考：
注意：这是一个计算e的x次幂的演示程序（出自Python文档）：
# slow_program.py from decimal import* defexp(x): getcontext().prec +=2 i, lasts, s, fact, num =0, 0, 1, 1, 1 while s != lasts: lasts = s i +=1 fact *= i num *= x s += num / fact getcontext().prec -=2 return+s exp(Decimal(150)) exp(Decimal(400)) exp(Decimal(3000))
在GitHub上查看rawslow_program.py全部代码
最省力的“性能分析”
首先，最简单且最省力的解决方案是使用Unix的time命令：
~ $ time python3.8 slow_program.py real 0m11,058s user 0m11,050s sys 0m0,008s
在GitHub上查看rawbase_time.shell全部代码
如果只是给整个程序计时，它很有用，但还不足够……
最详细的性能分析
性能分析的另一方法是cProfile，从中能得到很大的信息量：
~ $ python3.8 -m cProfile -s time slow_program.py 1297 function calls (1272 primitive calls) in 11.081 seconds Ordered by: internal time ncalls tottime percall cumtime percall filename:lineno(function) 3 11.079 3.693 11.079 3.693 slow_program.py:4(exp) 1 0.000 0.000 0.002 0.002 {built-in method _imp.create_dynamic} 4/1 0.000 0.000 11.081 11.081 {built-in method builtins.exec} 6 0.000 0.000 0.000 0.000 {built-in method __new__ of type object at 0x9d12c0} 6 0.000 0.000 0.000 0.000 abc.py:132(__new__) 23 0.000 0.000 0.000 0.000 _weakrefset.py:36(__init__) 245 0.000 0.000 0.000 0.000 {built-in method builtins.getattr} 2 0.000 0.000 0.000 0.000 {built-in method marshal.loads} 10 0.000 0.000 0.000 0.000 :1233(find_spec) 8/4 0.000 0.000 0.000 0.000 abc.py:196(__subclasscheck__) 15 0.000 0.000 0.000 0.000 {built-in method posix.stat} 6 0.000 0.000 0.000 0.000 {built-in method builtins.__build_class__} 1 0.000 0.000 0.000 0.000 __init__.py:357(namedtuple) 48 0.000 0.000 0.000 0.000 :57(_path_join) 48 0.000 0.000 0.000 0.000 :59() 1 0.000 0.000 11.081 11.081 slow_program.py:1() ... 在GitHub上查看rawcprofile.shell全部代码
这里用cProfile模块和time参数运行测试脚本，以便按内部时间（cumtime）对行进行排序。从中可以得到很多信息，以上所列结果约为实际输出的10％。由此可见，exp函数就是拖慢程序的“罪魁祸首”（太神奇啦！），现在看看更详尽的时序和性能分析......
对特定函数计时
已经知道拖慢程序运行的函数，下一步可使用简单的修饰器，专门对该函数计时，不测量其余代码。如下所示：
deftimeit_wrapper(func): @wraps(func) defwrapper(*args, **kwargs): start = time.perf_counter() # Alternatively, you can use time.process_time() funcfunc_return_val = func(*args, **kwargs) end = time.perf_counter() print( {0:<10}.{1:<8} : {2:<8} .format(func.__module__, func.__name__, end - start)) return func_return_val return wrapper在GitHub上查看rawtimeit_decorator.py全部代码
该修饰器可以应用于功能测试，如下所示：
@timeit_wrapper defexp(x): ... print( {0:<10}{1:<8}{2:^8} .format( module , function , time )) exp(Decimal(150)) exp(Decimal(400)) exp(Decimal(3000))在GitHub上查看rawtimeit_decorator_usage.py全部代码
输出如下：
~ $ python3.8 slow_program.py module function time __main__ .exp :0.003267502994276583 __main__ .exp :0.038535295985639095 __main__ .exp : 11.728486061969306
在GitHub上查看rawrun_with_timeit_decorator.shell全部代码
要考虑的一个问题是实际/想要测量的时间类型是什么。Time程序包提供了time.perf_counter和time.process_time。两者的区别是：perf_counter返回绝对值，其中包括Python程序进程未运行时的时间，因此可能会受计算机负载的影响；而process_time仅返回用户时间（不包括系统时间），这仅是程序的运行时间。
加快程序运行速度这是全文有趣的部分，关于如何加快Python的程序运行速度。我并没有列出一些可以奇妙解决性能问题的小技巧或代码段，而是涉及一般性的构想和策略，它们能极大地提高性能，某些情况下甚至能将性能提高30％。
使用内置数据类型
显而易见，内置数据类型运行很快，尤其是与自定义类型（例如树或链表）相比。主要是因为内置程序是用C语言实现的，远超过用Python编码的运行速度。
使用lru_cache缓存/记忆
我已经在上一篇博文中讲过这块内容，但在此还是要用简单的示例说明：
import functools import time # caching up to 12 different results @functools.lru_cache(maxsize=12) defslow_func(x): time.sleep(2) # Simulate long computation return x slow_func(1) # ... waiting for 2 sec before getting result slow_func(1) # already cached - result returned instantaneously! slow_func(3) # ... waiting for 2 sec before getting result
在GitHub上查看rawlru_cache.py全部代码
以上函数使用time.sleep模拟大量运算。第一次使用参数1调用该函数时，返回结果需要2秒。再次调用时，结果已被缓存，因此会跳过函数主体并立即返回结果。更多内容请参见此处。
使用局部变量
这与在每个作用域中查找变量的速度有关。我用了“每个作用域”这个字眼，因为它不仅仅是“使用局部变量还是全局变量”的问题。实际上，即使在函数的局部变量（最快）、类级属性（如self.name-较慢）和全局变量（如导入的函数，time.time-最慢）之间，查找速度也有所不同。
可以通过运行无用的任务来提高性能，如下所示：
# Example #1 classFastClass: defdo_stuff(self): temp =self.value # this speeds up lookup in loop for i inrange(10000): ... # Do something with `temp` here # Example #2 import random deffast_function(): r = random.random for i inrange(10000): print(r()) # calling `r()` here, is faster than global random.random()
在GitHub上查看rawlocal_vars.py全部代码
使用函数（Function）
这怎么和假想的不同？理论上调用函数不是会将更多的东西放到堆栈上，加大返回结果的负担吗？但实际上，使用函数确实能加快运行速度，这与前一点有关。将整个代码放在一个文件中而非函数中，它是全局变量而非局部变量，运行速度就会慢得多。因此，可以将整个代码包裹在main函数中并通过一次调用来加速代码，如下所示：
defmain(): ... # All your previously global code main()
在GitHub上查看rawglobal_vars.py全部代码
避免访问属性（Attribute）
可能拖慢程序的一个原因是使用点运算符（.）访问对象属性。该运算符通过使用__getattribute__方法触发了字典查找，使代码产生额外负担。那么，如何避免或减少属性访问？
# Slow: import re defslow_func(): for i inrange(10000): re.findall(regex, line) # Slow! # Fast: from re import findall deffast_func(): for i inrange(10000): findall(regex, line) # Faster!
在GitHub上查看rawimports.py全部代码
当心使用字符串
在循环里使用格式符（％s）或.format（）时，字符串操作可能会变得非常慢。有没有更好的选择？Raymond Hettinger在最近发布的推文中提到：唯一应该使用的是f-string（格式化字符串常量），它是最易读、最简洁且最快捷的方法。根据这篇推文，下面列出了可用的方法（由快到慢）：
f {s}{t} # Fast! s + + t .join((s, t)) %s %s % (s, t) {} {} .format(s, t) Template( $s $t ).substitute(ss=s, tt=t) # Slow!在GitHub上查看rawstrings.py全部代码
本质上，生成器并没有变得更快，因为它在设计上允许延迟计算以节省内存而非节约时间。然而节省的内存也可以加快程序实际运行速度。怎么做？如果有一个很大的数据集且不使用生成器（迭代器），那么数据可能会溢出CPU的L1 cache（1级缓存），这将大大减慢内存的查找速度。
在性能方面，极重要的一点是：CPU可以将正在处理的所有数据尽可能地保存在缓存中。
“Python性能提升的方法有哪些”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注创新互联网站，小编将为大家输出更多高质量的实用文章！
