原文來自Python實用寶典：讓python執行地超快的10個方法
大部門人使用python是因為它非常方便，而不是因為它速度快。過多的第三方庫使得python相比於Java和C的效能差距較大。但也是可以理解的，因為在大部分情況下，開發速度優先於執行速度。
但也不要過於擔心python的速度，這並不一定是一個非此即彼的命題。經過適當優化，Python應用程式可以以驚人的速度執行——也許還不能達到Java或C語言的速度，但是對於Web應用程式、資料分析、管理和自動化工具以及大多數其他用途來說，速度已經足夠快了。快到你可能會忘記了你是在用應用程式效能換取開發人員的生產力。
優化Python效能不能單從一個角度上看。而是應用所有可用的優化方法，並選擇最適合當前場景的多種方法的集合。(Dropbox的員工有一個最令人瞠目的例子，展示了python優化的強大功能，點選連結檢視。)
在本文中，我將簡單講述許多常見的python優化方法。有些是臨時措施，只需要簡單地將一項轉換為另一項(例如更換Python直譯器)，但是那些帶來最大收益的方法將需要更詳細的工作。
1. 算速度、算速度、算速度！
如果你不能夠找出速度慢的原因所在，你就不能確定你的python應用程式為什麼執行地不夠理想。
計算的方法有很多，你可以嘗試python內建的 cProfile模組 進行簡單的計算分析，如果需要更高的精度（計算每行語句執行時間），可以使用 line_profiler 第三方工具。通常而言，從計算程式的函式執行時間進行分析就能夠給你提供改進方案，所以推薦使用 profilehooks 第三方庫，它能計算單個函式的執行時間。
你可能需要更多的挖掘才能發現為什麼你的程式某個地方這麼慢、怎麼修復它。重點在於縮小你的排查範圍，逐漸細化到某條語句上。
2.快取需要重複使用的資料
當你可以把需要計算出來的資料儲存下來的時候，千萬不要重複上千次去計算它。如果你有一個經常需要使用的函式，而且返回的是可預測的結果，Python已經給你提供了一個選項，能將其快取到記憶體中。後續的函式呼叫如果是一樣的，將立即返回結果。
有許多方法都可以做到，比如說：使用python的一個本地庫：functools，擁有一個裝飾器，叫@functools.lru_cache，它能夠快取函式最近的N個呼叫，當快取的值在特定時間內保持不變的時候這個非常好用，比如說列出最近一天使用的物品。
3.將數學計算重構為NumPy
如果你的Python程式中有基於矩陣或陣列的數學運算，並且希望更高效地對它們進行計算，那麼你就應該使用NumPy，因為它通過使用C庫來完成繁重的工作，比原生python直譯器能更快得處理陣列，而且能比Python內建資料結構更有效地儲存數字資料。
NumPy還可以極大地加速相對普通的數學運算。該包為許多常見的Python數學操作(如min和max)提供了替換，這些操作的速度比原始Python快很多倍。
NumPy的另一個優點是對大型物件(比如包含數百萬項的列表)能更有效地使用記憶體。一般來說，如果用傳統的Python表示類似於NumPy中的大型物件，那麼它們將佔用大約四分之一的記憶體。
重寫Python演算法以使用NumPy需要做一些工作，因為需要使用NumPy的語法重新宣告陣列物件。但是NumPy在實際的數學操作中使用Python現有的習慣用法(+、-等等)，所以切換到NumPy並不會讓人太迷惑。
4.使用C庫
NumPy使用C編寫的庫是一種很好的方法。如果現有的C庫能夠滿足你的需求，那麼Python及其生態系統將提供幾個選項來連線到該庫並利用其提高速度。
最常用的方法是Python的ctypes庫](https://pythondict.com/tag/%e5%ba%93/ “庫”)。因為ctypes與其他Python應用程式廣泛相容，所以它是最好的起點，但也並不是唯一的，CFFI專案為C. Cython提供了一個更優雅的介面(參見下面第五點)，也可以用來包裝外部庫，代價是你必須學習Cython的標記方法。
5.轉換為Cython
如果你非常追求速度，應該用C而不是python，但是對於我這種有python依賴症的人來說，對C天生就有種畏懼。現在有一個很好的解決辦法出來了。
Cython允許Python使用者方便地訪問C的速度。現有的Python程式碼可以逐步轉換為C ：首先通過Cython將所述程式碼編譯為C，然後通過新增型別註釋以獲得更快的速度。
不過，Cython不能變魔術。按原樣轉換為Cython的程式碼通常執行速度通常不會加快超過15％到50％，因為該級別的大多數優化都集中在減少Python直譯器的開銷上。只有在為Cython模組提供型別註釋時才允許將相關程式碼轉換為純C，這時候的速度提升才最大。
6.使用多執行緒
由於全域性直譯器鎖（GIL）的存在，Python規定一次只執行一個執行緒，以避免在使用多個執行緒時出現狀態問題。它的存在有充分的理由，但依然很討厭。
隨著時間的推移，GIL的效率顯著提高(這是為什麼你應該用python3的其中一個原因)，但是核心問題仍然存在。為了解決這個問題，Python提供了多處理模組（multiprocessing）來在單獨的核心上執行Python直譯器的多個程式。狀態可以通過共享記憶體或伺服器程式共享，資料可以通過佇列或管道在程式例項之間傳遞。
您仍然必須手動管理程式之間的狀態。此外，啟動多個Python例項並在它們之間傳遞物件也會涉及不少開銷。儘管如此，多處理庫還是很有用的。另外，使用了C庫的Python模組和包(如NumPy)也是完全避免GIL的。這也是推薦它們提高速度的另一個原因。
7.知道你的庫正在幹嘛
簡單地輸入import xyz是多麼方便啊，但是你知道，第三方庫雖然可以改變應用程式的效能，但並不總是向好的方向發展。
有時，你加了某個模組的時候，應用程式反而變慢了，這就是來自特定庫的模組構成瓶頸。同樣，仔細計算執行時間也會有所幫助，有時則不那麼明顯。示例:Pyglet是一個用於建立視窗圖形化應用程式的庫，它自動啟用除錯模式，這將極大地影響效能，直到顯式禁用為止。除非閱讀文件，否則你可能永遠不會意識到這一點。多讀書，多瞭解情況。
8.意識到平臺間的速度差異
Python的執行是跨平臺的，但這並不意味著每個作業系統(Windows、Linux、OS X)的特性都可以在Python下抽象出來。大多數情況下，你需要了解平臺的細節，比如路徑命名約定等等。
但在效能方面，理解平臺的差異也很重要。例如，有些python指令碼需要使用Windows的api去訪問一些特定的應用，這些應用也可能會減慢執行速度。
9.使用pypy執行程式
CPython是Python最常用的優化方案，因為它優先考慮相容性而不是原始速度。對於那些想把速度放在首位的程式設計師來說，PyPy是一個Python更好的方案，它配備了一個JIT編譯器來加速程式碼的執行（編譯為C程式碼）。
因為PyPy被設計為CPython的一個臨時替代品，所以它是獲得快速效能提升的最簡單方法之一。大多數Python應用程式將完全按原樣執行在PyPy上。然而，充分利用PyPy可能需要不斷地測試。你將會發現，長時間執行的應用程式更有可能從PyPy中獲得了最大的效能收益，因為編譯器會隨著時間分析執行情況。對於執行和退出的簡短指令碼，最好使用CPython，因為效能的提高不足以克服JIT的開銷。
10.升級到python3
如果你用的是python2。而且沒有壓倒一切的理由(比如一個不相容的模組)堅持使用它，你應該跳到python3。
Python 3中還有許多Python 2.x中沒有的構造和優化。例如，Python 3.5使非同步變得不那麼棘手，async和await關鍵字成為語言語法的一部分。Python 3.2對全域性直譯器鎖進行了重大升級，顯著改進了Python處理多執行緒的方式。
以上就是全部十點的改進方案啦，儘管使用了這些方法可能執行速度還是無法超過C和Java，但是程式碼跑得快不快，不取決於語言，而是取決於人，況且Python本身不必是最快的，只要足夠快就行。
如果你希望我們今天的Python 教程，請持續關注我們，如果對你有幫助，麻煩在下面點一個贊/在看哦
有任何問題都可以在下方留言區留言，我們都會耐心解答的！
Python實用寶典 (pythondict.com)
不只是一個寶典
歡迎關注公眾號：Python實用寶典
本作品採用《CC 協議》，轉載必須註明作者和本文連結
Python實用寶典, pythondict.com