演算法的時間複雜度對程式的執行效率影響最大，在 Python 中可以通過選擇合適的資料結構來優化時間複雜度，如 list 和 set 查詢某一個元素的時間複雜度分別是O(n)和O(1)。不同的場景有不同的優化方式，總得來說，一般有分治，分支界限，貪心，動態規劃等思想。
如用上三角或下三角的方式去儲存一個大的對稱矩陣。在0元素佔大多數的矩陣裡使用稀疏矩陣表示。
對於 dict 和 list 等資料結構的物件，直接賦值使用的是引用的方式。而有些情況下需要複製整個物件，這時可以使用 copy 包裡的 copy 和 deepcopy，這兩個函式的不同之處在於後者是遞迴複製的。效率也不一樣：（以下程式在 ipython 中執行）
01 02 03 04 05 06 07 08 09 10 11 | import copy a = range(100000) %timeit -n 10 copy.copy(a) # 執行10次 copy.copy(a) %timeit -n 10 copy.deepcopy(a) 10 loops, best of 3: 1.55 ms per loop 10 loops, best of 3: 151 ms per loop |
timeit 後面的-n表示執行的次數，後兩行對應的是兩個 timeit 的輸出，下同。由此可見後者慢一個數量級。
python dict 和 set 都是使用 hash 表來實現(類似c++11標準庫中unordered_map)，查詢元素的時間複雜度是O(1)
1 2 3 4 5 6 7 8 9 | a = range(1000) s = set(a) d = dict((i,1) for i in a) %timeit -n 10000 100 in d %timeit -n 10000 100 in s10000 loops, best of 3: 43.5 ns per loop10000 loops, best of 3: 49.6 ns per loop |
dict 的效率略高(佔用的空間也多一些)。
1 2 3 | %timeit -n 100 a = (i for i in range(100000)) %timeit -n 100 b = [i for i in range(100000)]100 loops, best of 3: 1.54 ms per loop100 loops, best of 3: 4.56 ms per loop |
使用()得到的是一個 generator 物件，所需要的記憶體空間與列表的大小無關，所以效率會高一些。在具體應用上，比如 set(i for i in range(100000))會比 set([i for i in range(100000)])快。
但是對於需要迴圈遍歷的情況：
1 2 3 | %timeit -n 100 a = (i for i in range(100000)) %timeit -n 100 b = [i for i in range(100000)]100 loops, best of 3: 1.54 ms per loop100 loops, best of 3: 4.56 ms per loop |
後者的效率反而更高，但是如果迴圈裡有 break,用 generator 的好處是顯而易見的。yield 也是用於建立 generator：
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 | def yield_func(ls): for i in ls: yield i+1 def not_yield_func(ls): return [i+1 for i in ls] ls = range(1000000) %timeit -n 10 for i in yield_func(ls):pass %timeit -n 10 for i in not_yield_func(ls):pass 10 loops, best of 3: 63.8 ms per loop 10 loops, best of 3: 62.9 ms per loop |
對於記憶體不是非常大的 list，可以直接返回一個 list，但是可讀性 yield 更佳(人個喜好)。
python2.x 內建 generator 功能的有 xrange 函式、itertools 包等。
迴圈之外能做的事不要放在迴圈內，比如下面的優化可以快一倍：
01 02 03 04 05 06 07 08 09 10 11 | a = range(10000) size_a = len(a) %timeit -n 1000 for i in a: k = len(a) %timeit -n 1000 for i in a: k = size_a 1000 loops, best of 3: 569 µs per loop 1000 loops, best of 3: 256 µs per loop |
優化包含多個判斷表示式的順序
對於 and，應該把滿足條件少的放在前面，對於 or，把滿足條件多的放在前面。如：
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 | a = range(2000) %timeit -n 100 [i for i in a if 10 < i < 20 or 1000 < i < 2000] %timeit -n 100 [i for i in a if 1000 < i < 2000 or 100 < i < 20] %timeit -n 100 [i for i in a if i % 2 == 0 and i > 1900] %timeit -n 100 [i for i in a if i > 1900 and i % 2 == 0] 100 loops, best of 3: 287 µs per loop 100 loops, best of 3: 214 µs per loop 100 loops, best of 3: 128 µs per loop 100 loops, best of 3: 56.1 µs per loop |
01 02 03 04 05 06 07 08 09 10 11 12 13 | In [1]: %%timeit ...: s = '' ...: for i in a: ...: s += i ...:10000 loops, best of 3: 59.8 µs per loopIn [2]: %%timeit s = ''.join(a) ...:100000 loops, best of 3: 11.8 µs per loop |
join 對於累加的方式，有大約5倍的提升。
01 02 03 04 05 06 07 08 09 10 11 12 13 | s1, s2 = 'ax', 'bx' %timeit -n 100000 'abc%s%s' % (s1, s2) %timeit -n 100000 'abc{0}{1}'.format(s1, s2) %timeit -n 100000 'abc' + s1 + s2 100000 loops, best of 3: 183 ns per loop 100000 loops, best of 3: 169 ns per loop 100000 loops, best of 3: 103 ns per loop |
三種情況中，%的方式是最慢的，但是三者的差距並不大（都非常快）。(個人覺得%的可讀性最好)
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 | In [3]: %%timeit -n 10000 a,b=1,2 ....: c=a;a=b;b=c; ....:10000 loops, best of 3: 172 ns per loop In [4]: %%timeit -n 10000 a,b=1,2 a,b=b,a ....: 10000 loops, best of 3: 86 ns per loop |
使用a,b=b,a而不是c=a;a=b;b=c;來交換a,b的值，可以快1倍以上。
1 2 3 4 5 6 7 8 9 | a = range(10000) %timeit -n 100 [i for i in a if i == True] %timeit -n 100 [i for i in a if i is True] 100 loops, best of 3: 531 µs per loop 100 loops, best of 3: 362 µs per loop |
使用 if is True 比 if == True 將近快一倍。
1 2 3 4 5 6 7 8 9 | x, y, z = 1,2,3 %timeit -n 1000000 if x < y < z:pass%timeit -n 1000000 if x < y and y < z:pass 1000000 loops, best of 3: 101 ns per loop 1000000 loops, best of 3: 121 ns per loop |
x < y < z效率略高，而且可讀性更好。
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 | def while_1(): n = 100000 while 1: n -= 1 if n <= 0: break def while_true(): n = 100000 while True: n -= 1 if n <= 0: break m, n = 1000000, 1000000 %timeit -n 100 while_1() %timeit -n 100 while_true() 100 loops, best of 3: 3.69 ms per loop 100 loops, best of 3: 5.61 ms per loop |
while 1 比 while true 快很多，原因是在 python2.x 中，True 是一個全域性變數，而非關鍵字。
1 2 3 | %timeit -n 10000 c = pow(2,20) %timeit -n 10000 c = 2**2010000 loops, best of 3: 284 ns per loop10000 loops, best of 3: 16.9 ns per loop |
**就是快10倍以上！
01 02 03 04 05 06 07 08 09 10 11 12 13 | import cPickle import pickle a = range(10000) %timeit -n 100 x = cPickle.dumps(a) %timeit -n 100 x = pickle.dumps(a) 100 loops, best of 3: 1.58 ms per loop 100 loops, best of 3: 17 ms per loop |
由c實現的包，速度快10倍以上！
下面比較了 eval, cPickle, json 方式三種對相應字串反序列化的效率：
01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | import json import cPickle a = range(10000) s1 = str(a) s2 = cPickle.dumps(a) s3 = json.dumps(a) %timeit -n 100 x = eval(s1) %timeit -n 100 x = cPickle.loads(s2) %timeit -n 100 x = json.loads(s3) 100 loops, best of 3: 16.8 ms per loop 100 loops, best of 3: 2.02 ms per loop 100 loops, best of 3: 798 µs per loop |
可見 json 比 cPickle 快近3倍，比 eval 快20多倍。
目前主要有 CPython(python最常見的實現的方式)原生API, ctypes,Cython，cffi三種方式，它們的作用是使得 Python 程式可以呼叫由C編譯成的動態連結庫，其特點分別是：
CPython 原生 API: 通過引入 Python.h 標頭檔案，對應的C程式中可以直接使用Python 的資料結構。實現過程相對繁瑣，但是有比較大的適用範圍。
ctypes: 通常用於封裝(wrap)C程式，讓純 Python 程式呼叫動態連結庫（Windows 中的 dll 或 Unix 中的 so 檔案）中的函式。如果想要在 python 中使用已經有C類庫，使用 ctypes 是很好的選擇，有一些基準測試下，python2+ctypes 是效能最好的方式。
Cython: Cython 是 CPython 的超集，用於簡化編寫C擴充套件的過程。Cython 的優點是語法簡潔，可以很好地相容 numpy 等包含大量C擴充套件的庫。Cython 的使得場景一般是針對專案中某個演算法或過程的優化。在某些測試中，可以有幾百倍的效能提升。
cffi: cffi 的就是 ctypes 在 pypy（詳見下文）中的實現，同進也相容 CPython。cffi提供了在 python 使用C類庫的方式，可以直接在 python 程式碼中編寫C程式碼，同時支援連結到已有的C類庫。
使用這些優化方式一般是針對已有專案效能瓶頸模組的優化，可以在少量改動原有專案的情況下大幅度地提高整個程式的執行效率。
因為 GIL 的存在，Python 很難充分利用多核 CPU 的優勢。但是，可以通過內建的模組 multiprocessing 實現下面幾種並行模式：
多程式：對於 CPU 密集型的程式，可以使用 multiprocessing 的 Process,Pool 等封裝好的類，通過多程式的方式實現平行計算。但是因為程式中的通訊成本比較大，對於程式之間需要大量資料互動的程式效率未必有大的提高。
多執行緒：對於 IO 密集型的程式，multiprocessing.dummy 模組使用 multiprocessing 的介面封裝 threading，使得多執行緒程式設計也變得非常輕鬆(比如可以使用 Pool 的 map 介面，簡潔高效)。
分散式：multiprocessing 中的 Managers 類提供了可以在不同程式之共享資料的方式，可以在此基礎上開發出分散式的程式。
不同的業務場景可以選擇其中的一種或幾種的組合實現程式效能的優化。
PyPy 是用 RPython(CPython 的子集)實現的 Python，根據官網的基準測試資料，它比 CPython 實現的 Python 要快6倍以上。快的原因是使用了 Just-in-Time(JIT)編譯器，即動態編譯器，與靜態編譯器(如gcc,javac等)不同，它是利用程式執行的過程的資料進行優化。由於歷史原因，目前 pypy 中還保留著 GIL，不過正在進行的 STM 專案試圖將 PyPy 變成沒有 GIL 的 Python。
如果 python 程式中含有C擴充套件(非cffi的方式)，JIT 的優化效果會大打折扣，甚至比 CPython 慢（比 Numpy）。所以在 PyPy 中最好用純 Python 或使用 cffi 擴充套件。
隨著STM，Numpy 等專案的完善，相信 PyPy 將會替代 CPython。
除了上面在 ipython 使用到的 timeit 模組，還有 cProfile。cProfile 的使用方式也非常簡單： python -m cProfile filename.py，filename.py 是要執行程式的檔名，可以在標準輸出中看到每一個函式被呼叫的次數和執行的時間，從而找到程式的效能瓶頸，然後可以有針對性地優化。
更多python學習資料可關注：gzitcast