哈嘍大家好，我是鹹魚
當談到程式設計效率和效能最佳化時，Python 常常被調侃為“慢如蝸牛”
有趣的是，Python 程式碼在函式中執行往往比在全域性範圍內執行要快得多
小夥伴們可能會有這個疑問：為什麼在函式中執行的 Python 程式碼速度更快？
今天這篇文章將會解答大家心中的疑惑
原文連結：https://stackabuse.com/why-does-python-code-run-faster-in-a-function/
譯文
要理解為什麼 Python 程式碼在函式中執行得更快，我們需要首先了解 Python 是如何執行程式碼的
我們知道，python 是一種解釋型語言，它會逐行讀取並執行程式碼
當執行一個 python 程式的時候，首先將程式碼編譯成位元組碼（一種更接近機器碼的中間語言）然後 python 直譯器執行位元組碼
def hello_world():
print("Hello, World!")
import dis
dis.dis(hello_world)
#結果
2 0 LOAD_GLOBAL 0 (print)
2 LOAD_CONST 1 ('Hello, World!')
4 CALL_FUNCTION 1
6 POP_TOP
8 LOAD_CONST 0 (None)
10 RETURN_VALUE
由上所示，python 中的 dis 模組將函式 hello_world 分解為位元組碼
需要注意的是，python 直譯器是一個執行位元組碼的虛擬機器，預設的 python 直譯器是用 C 編寫的，即 CPython
還有其他的 python 直譯器如 Jython(用 Java 編寫)，IronPython(用於 .net)和PyPy(用 Python 和 C 編寫)
為什麼 Python 程式碼在函式中執行得更快
我們來編寫一個簡單的例子：定義一個函式 my_function，函式內部包含一個 for 迴圈
def my_function():
for i in range(100000000):
pass
編譯該函式的時候，位元組碼可能如下所示
SETUP_LOOP 20 (to 23)
LOAD_GLOBAL 0 (range)
LOAD_CONST 3 (100000000)
CALL_FUNCTION 1
GET_ITER
FOR_ITER 6 (to 22)
STORE_FAST 0 (i)
JUMP_ABSOLUTE 13
POP_BLOCK
LOAD_CONST 0 (None)
RETURN_VALUE
這裡的關鍵指令是 STORE_FAST ，用於儲存迴圈變數 i
現在我們把這個 for 迴圈放在 python 指令碼的頂層（全域性範圍內），然後再來看一下位元組碼
for i in range(100000000):
pass
SETUP_LOOP 20 (to 23)
LOAD_NAME 0 (range)
LOAD_CONST 3 (100000000)
CALL_FUNCTION 1
GET_ITER
FOR_ITER 6 (to 22)
STORE_NAME 1 (i)
JUMP_ABSOLUTE 13
POP_BLOCK
LOAD_CONST 2 (None)
RETURN_VALUE
可以看到關鍵指令變成了 STORE_NAME，而不是 STORE_FAST
位元組碼 STORE_FAST比 STORE_NAME 快，因為在函式中，區域性變數儲存在固定長度的陣列中，而不是儲存在字典中。這個陣列可以透過索引直接訪問，使得變數檢索非常快
基本上，它只是一個指向列表的指標，並增加了 PyObject 的引用計數，這兩個都是高效的操作
另一方面，全域性變數儲存在一個字典。當訪問全域性變數時，Python 必須執行雜湊表查詢，這涉及計算雜湊值，然後檢索與之關聯的值
雖然經過最佳化，但仍然比基於索引的查詢慢
基準測試驗證
我們知道在 Python 中，程式碼執行的速度取決於程式碼執行的位置——在函式中還是在全域性作用域中
讓我們用一個簡單的基準測試的例子來比較一下
首先定義一個求階乘的函式
def factorial(n):
result = 1
for i in range(1, n + 1):
result *= i
return result
然後在全域性範圍內執行相同的程式碼
n = 20
result = 1
for i in range(1, n + 1):
result *= i
為了對這兩段程式碼進行基準測試，我們可以在 Python 中使用 timeit 模組，它提供了一種簡單的方法來對少量 Python 程式碼進行計時
import timeit
# 函式
def benchmark():
start = timeit.default_timer()
factorial(20)
end = timeit.default_timer()
print(end - start)
benchmark()
# Prints: 3.541994374245405e-06
# 全域性範圍
start = timeit.default_timer()
n = 20
result = 1
for i in range(1, n + 1):
result *= i
end = timeit.default_timer()
print(end - start)
# Pirnts: 5.375011824071407e-06
可以看到，函式程式碼的執行速度比全域性作用域程式碼要快
需要注意的是，這兩段程式碼最好不要放在同一指令碼中，要分開單獨執行
這是因為
benchmark()函式在執行時間上增加了一些開銷，並且全域性程式碼在內部進行了最佳化
cProfile 分析
python 提供了一個 cProfile 內建模組
讓我們用它來分析一個新例子：在區域性和全域性範圍內計算平方和
import cProfile
def sum_of_squares():
total = 0
for i in range(1, 10000000):
total += i * i
i = None
total = 0
def sum_of_squares_g():
global i
global total
for i in range(1, 10000000):
total += i * i
def profile(func):
pr = cProfile.Profile()
pr.enable()
func()
pr.disable()
pr.print_stats()
#
# Profile function code
#
print("Function scope:")
profile(sum_of_squares)
#
# Profile global scope code
#
print("Global scope:")
profile(sum_of_squares_g)
上面的例子中，可以認為sum_of_squares_g() 函式是全域性的，因為它使用了兩個全域性變數， i 和 total
從效能分析結果中，可以看到函式程式碼在執行時間方面比全域性更有效
Function scope:
2 function calls in 0.903 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.903 0.903 0.903 0.903 profiler.py:3(sum_of_squares)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
Global scope:
2 function calls in 1.358 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 1.358 1.358 1.358 1.358 profiler.py:10(sum_of_squares_g)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
如何最佳化 python 函式的效能
前面我們知道，Python 程式碼在函式中執行往往比在全域性範圍內執行要快得多
如果想要進一步提高 python 函式程式碼效率，不妨考慮一下使用區域性變數而不是全域性變數
另一種方法是儘可能使用內建函式和庫。Python 的內建函式是用 C 實現的，比 Python 快得多
比如 NumPy 和 Pandas，也是用 C 或 C++ 實現的，它們比實現同樣功能的 Python 程式碼速度更快
又比如同樣是實現數字求和的功能，python 內建的 sum 函式要比你自己編寫函式速度更快