python最佳化技巧

BigSun丶發表於2024-03-18
Python

目錄
  • 一、程式碼最佳化原則
  • 二、避免全域性變數
  • 三、避免 . 的使用
    • 3.1 最佳化方案一
    • 3.2 最佳化方案二
    • 3.3 最佳化方案三
  • 四、避免類內屬性訪問
    • 最佳化方案
    • 五、避免不必要的抽象
    • 最佳化方案
  • 六、避免資料複製
    • 1. 要避免無意義的資料複製
      • 最佳化方案
    • 2. 交換值時不使用中間變數
      • 最佳化方案
    • 3. 字串拼接用join或者f-string格式化而不是+
      • 最佳化方案
    • 七、利用if條件的短路特性
    • 最佳化方案
    • 八、迴圈最佳化
    • 8.1 用for迴圈代替while迴圈
      • 最佳化方案
    • 8.2 使用隱式for迴圈代替顯式for迴圈
      • 最佳化方案
    • 8.3 減少內層for迴圈的計算
      • 最佳化方案
  • 九、使用numba.jit
  • 十、選擇合適的資料結構

一、程式碼最佳化原則

  • 本文會介紹不少的 Python 程式碼加速執行的技巧。在深入程式碼最佳化細節之前，需要了解一些程式碼最佳化基本原則。
    • 第一個基本原則是不要過早最佳化。很多人一開始寫程式碼就奔著效能最佳化的目標，“讓正確的程式更快要比讓快速的程式正確容易得多”。因此，最佳化的前提是程式碼能正常工作。過早地進行最佳化可能會忽視對總體效能指標的把握，在得到全域性結果前不要主次顛倒。
    • 第二個基本原則是權衡最佳化的代價。最佳化是有代價的，想解決所有效能的問題是幾乎不可能的。通常面臨的選擇是時間換空間或空間換時間。另外，開發代價也需要考慮。
    • 第三個原則是不要最佳化那些無關緊要的部分。如果對程式碼的每一部分都去最佳化，這些修改會使程式碼難以閱讀和理解。如果你的程式碼執行速度很慢，首先要找到程式碼執行慢的位置，通常是內部迴圈，專注於執行慢的地方進行最佳化。在其他地方，一點時間上的損失沒有什麼影響。

二、避免全域性變數

# 不推薦寫法。程式碼耗時：26.8秒
import math

size = 10000
for x in range(size):
    for y in range(size):
        z = math.sqrt(x) + math.sqrt(y)
  • 許多程式設計師剛開始會用 Python 語言寫一些簡單的指令碼，當編寫指令碼時，通常習慣了直接將其寫為全域性變數，例如上面的程式碼。但是，由於全域性變數和區域性變數實現方式不同，定義在全域性範圍內的程式碼執行速度會比定義在函式中的慢不少。透過將指令碼語句放入到函式中，通常可帶來 15% - 30% 的速度提升;
# 推薦寫法。程式碼耗時：20.6秒
import math

def main():  # 定義到函式中，以減少全部變數使用
    size = 10000
    for x in range(size):
        for y in range(size):
            z = math.sqrt(x) + math.sqrt(y)

main()

三、避免 . 的使用

# 避免模組和函式屬性訪問
# 不推薦寫法。程式碼耗時：14.5秒
import math

def computeSqrt(size: int):
    result = []
    for i in range(size):
        result.append(math.sqrt(i))
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

3.1 最佳化方案一

  • 每次使用 .（屬性訪問運算子時）會觸發特定的方法，如__getattribute__()和__getattr__()，這些方法會進行字典操作，因此會帶來額外的時間開銷。透過from import語句，可以消除屬性訪問。
# 第一次最佳化寫法。程式碼耗時：10.9秒
from math import sqrt

def computeSqrt(size: int):
    result = []
    for i in range(size):
        result.append(sqrt(i))  # 避免math.sqrt的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

3.2 最佳化方案二

  • 在第1節避免全域性變數中我們講到，區域性變數的查詢會比全域性變數更快，因此對於頻繁訪問的變數sqrt，透過將其改為區域性變數可以加速執行。
# 第二次最佳化寫法。程式碼耗時：9.9秒
import math

def computeSqrt(size: int):
    result = []
    sqrt = math.sqrt  # 賦值給區域性變數
    for i in range(size):
        result.append(sqrt(i))  # 避免math.sqrt的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

3.3 最佳化方案三

  • 除了math.sqrt外，computeSqrt函式中還有 . 的存在，那就是呼叫list的append方法。透過將該方法賦值給一個區域性變數，可以徹底消除computeSqrt函式中for迴圈內部的 . 使用
# 推薦寫法。程式碼耗時：7.9秒
import math

def computeSqrt(size: int):
    result = []
    append = result.append
    sqrt = math.sqrt    # 賦值給區域性變數
    for i in range(size):
        append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用
    return result

def main():
    size = 10000
    for _ in range(size):
        result = computeSqrt(size)

main()

四、避免類內屬性訪問

# 不推薦寫法。程式碼耗時：10.4秒
import math
from typing import List

class DemoClass:
    def __init__(self, value: int):
        self._value = value
    
    def computeSqrt(self, size: int) -> List[float]:
        result = []
        append = result.append
        sqrt = math.sqrt
        for _ in range(size):
            append(sqrt(self._value))
        return result
def main():
    size = 10000
    for _ in range(size):
        demo_instance = DemoClass(size)
        result = demo_instance.computeSqrt(size)

main()

最佳化方案

  • 避免 . 的原則也適用於類內屬性，訪問self._value的速度會比訪問一個區域性變數更慢一些。透過將需要頻繁訪問的類內屬性賦值給一個區域性變數，可以提升程式碼執行速度
# 推薦寫法。程式碼耗時：8.0秒
import math
from typing import List

class DemoClass:
    def __init__(self, value: int):
        self._value = value
    
    def computeSqrt(self, size: int) -> List[float]:
        result = []
        append = result.append
        sqrt = math.sqrt
        value = self._value
        for _ in range(size):
            append(sqrt(value))  # 避免 self._value 的使用
        return result
def main():
    size = 10000
    for _ in range(size):
        demo_instance = DemoClass(size)
        demo_instance.computeSqrt(size)

main()

五、避免不必要的抽象

# 不推薦寫法，程式碼耗時：0.55秒
class DemoClass:
    def __init__(self, value: int):
        self.value = value

    @property
    def value(self) -> int:
        return self._value

    @value.setter
    def value(self, x: int):
        self._value = x

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

最佳化方案

  • 任何時候當你使用額外的處理層（比如裝飾器、屬性訪問、描述器）去包裝程式碼時，都會讓程式碼變慢。大部分情況下，需要重新進行審視使用屬性訪問器的定義是否有必要，使用getter/setter函式對屬性進行訪問通常是 C/C++ 程式設計師遺留下來的程式碼風格。如果真的沒有必要，就使用簡單屬性。
# 推薦寫法，程式碼耗時：0.33秒
class DemoClass:
    def __init__(self, value: int):
        self.value = value  # 避免不必要的屬性訪問器

def main():
    size = 1000000
    for i in range(size):
        demo_instance = DemoClass(size)
        value = demo_instance.value
        demo_instance.value = i

main()

六、避免資料複製

1. 要避免無意義的資料複製

# 不推薦寫法，程式碼耗時：6.5秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        value_list = [x for x in value]
        square_list = [x * x for x in value_list]

main()

# 上面的程式碼中value_list完全沒有必要，這會建立不必要的資料結構或複製;

最佳化方案

# 推薦寫法，程式碼耗時：4.8秒
def main():
    size = 10000
    for _ in range(size):
        value = range(size)
        square_list = [x * x for x in value]  # 避免無意義的複製

main()

2. 交換值時不使用中間變數

  • 另外一種情況是對 Python 的資料共享機制過於偏執，並沒有很好地理解或信任 Python 的記憶體模型，濫用 copy.deepcopy()之類的函式。通常在這些程式碼中是可以去掉複製操作的
# 不推薦寫法，程式碼耗時：0.07秒
def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        temp = a
        a = b
        b = temp
main()
  • 上面的程式碼在交換值時建立了一個臨時變數temp，如果不借助中間變數，程式碼更為簡潔、且執行速度更快。

最佳化方案

# 推薦寫法，程式碼耗時：0.06秒
def main():
    size = 1000000
    for _ in range(size):
        a = 3
        b = 5
        a, b = b, a  # 不借助中間變數

main()

3. 字串拼接用join或者f-string格式化而不是+

  • 和f-string格式化相比，更推薦join()
# 不推薦寫法，程式碼耗時：2.6秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
    result = ''
    for str_i in string_list:
        result += str_i
    return result

def main():
    string_list = list(string.ascii_letters * 100)
    for _ in range(10000):
        result = concatString(string_list)

main()
  • 當使用a + b拼接字串時，由於 Python 中字串是不可變物件，其會申請一塊記憶體空間，將a和b分別複製到該新申請的記憶體空間中。因此，如果要拼接 n 個字串，會產生 n-1 箇中間結果，每產生一箇中間結果都需要申請和複製一次記憶體，嚴重影響執行效率。而使用 join()拼接字串時，會首先計算出需要申請的總的記憶體空間，然後一次性地申請所需記憶體，並將每個字串元素複製到該記憶體中去。

最佳化方案

# 推薦寫法，程式碼耗時：0.3秒
import string
from typing import List

def concatString(string_list: List[str]) -> str:
    return ''.join(string_list)  # 1. 使用 join 而不是 +
	
    # 2. 或使用格式化字串
    result = ''
	for str_i in string_list:
        result = f"{result}{str_i}"
	return result

def main():
    string_list = list(string.ascii_letters * 100)
    for _ in range(10000):
        result = concatString(string_list)

main()

七、利用if條件的短路特性

# 不推薦寫法，程式碼耗時：0.05秒
from typing import List

def concatString(string_list: List[str]) -> str:
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    abbr_count = 0
    result = ''
    for str_i in string_list:
        if str_i in abbreviations:
            result += str_i
    return result

def main():
    for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()
  • if 條件的短路特性是指對if a and b這樣的語句， 當a為False時將直接返回，不再計算b；對於if a or b這樣的語句，當a為True時將直接返回，不再計算b。因此， 為了節約執行時間，對於or語句，應該將值為True可能性比較高的變數寫在or前，而and應該推後。

最佳化方案

# 推薦寫法，程式碼耗時：0.03秒
from typing import List

def concatString(string_list: List[str]) -> str:
    abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}
    abbr_count = 0
    result = ''
    for str_i in string_list:
        if str_i[-1] == '.' and str_i in abbreviations:  # 利用 if 條件的短路特性
            result += str_i
    return result

def main():
    for _ in range(10000):
        string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']
        result = concatString(string_list)

main()

八、迴圈最佳化

8.1 用for迴圈代替while迴圈

# 不推薦寫法。程式碼耗時：6.7秒
def computeSum(size: int) -> int:
    sum_ = 0
    i = 0
    while i < size:
        sum_ += i
        i += 1
    return sum_

def main():
    size = 10000
    for _ in range(size):
        sum_ = computeSum(size)

main()

最佳化方案

  • Python 的for迴圈比while迴圈快不少。
# 推薦寫法。程式碼耗時：4.3秒
def computeSum(size: int) -> int:
    sum_ = 0
    for i in range(size):  # for 迴圈代替 while 迴圈
        sum_ += i
    return sum_

def main():
    size = 10000
    for _ in range(size):
        sum_ = computeSum(size)

main()

8.2 使用隱式for迴圈代替顯式for迴圈

最佳化方案

針對上面的例子，更進一步可以用隱式for迴圈來替代顯式for迴圈
# 推薦寫法。程式碼耗時：1.7秒
def computeSum(size: int) -> int:
    return sum(range(size))  # 隱式 for 迴圈代替顯式 for 迴圈

def main():
    size = 10000
    for _ in range(size):
        sum = computeSum(size)

main()

8.3 減少內層for迴圈的計算

# 不推薦寫法。程式碼耗時：12.8秒
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        for y in range(size):
            z = sqrt(x) + sqrt(y)

main()
  • 上面的程式碼中sqrt(x)位於內側for迴圈， 每次訓練過程中都會重新計算一次，增加了時間開銷。

最佳化方案

# 推薦寫法。程式碼耗時：7.0秒
import math

def main():
    size = 10000
    sqrt = math.sqrt
    for x in range(size):
        sqrt_x = sqrt(x)  # 減少內層 for 迴圈的計算
        for y in range(size):
            z = sqrt_x + sqrt(y)

main()

九、使用numba.jit

  • 我們沿用上面介紹過的例子，在此基礎上使用numba.jit。numba可以將 Python 函式 JIT 編譯為機器碼執行，大大提高程式碼執行速度。關於numba的更多資訊見下面的主頁：http://numba.pydata.org/numba.pydata.org
# 推薦寫法。程式碼耗時：0.62秒
import numba

@numba.jit
def computeSum(size: float) -> int:
    sum = 0
    for i in range(size):
        sum += i
    return sum

def main():
    size = 10000
    for _ in range(size):
        sum = computeSum(size)

main()

十、選擇合適的資料結構

  • Python 內建的資料結構如str, tuple, list, set, dict底層都是 C 實現的，速度非常快，自己實現新的資料結構想在效能上達到內建的速度幾乎是不可能的。

  • list類似於 C++ 中的std::vector，是一種動態陣列。其會預分配一定記憶體空間，當預分配的記憶體空間用完，又繼續向其中新增元素時，會申請一塊更大的記憶體空間，然後將原有的所有元素都複製過去，之後銷燬之前的記憶體空間，再插入新元素。

  • 刪除元素時操作類似，當已使用記憶體空間比預分配記憶體空間的一半還少時，會另外申請一塊小記憶體，做一次元素複製，之後銷燬原有大記憶體空間。

  • 因此，如果有頻繁的新增、刪除操作，新增、刪除的元素數量又很多時，list的效率不高。此時，應該考慮使用collections.deque。collections.deque是雙端佇列，同時具備棧和佇列的特性，能夠在兩端進行 O(1) 複雜度的插入和刪除操作。

  • list的查詢操作也非常耗時。當需要在list頻繁查詢某些元素，或頻繁有序訪問這些元素時，可以使用bisect維護list物件有序並在其中進行二分查詢，提升查詢的效率。

  • 另外一個常見需求是查詢極小值或極大值，此時可以使用heapq模組將list轉化為一個堆，使得獲取最小值的時間複雜度是 O(1)。

  • 下面的網頁給出了常用的 Python 資料結構的各項操作的時間複雜度：https://wiki.python.org/moin/TimeComplexity

相關文章