Python 是一種腳本語言，相比 C/C++ 這樣的編譯語言，在效率和性能方面存在一些不足。但是，有很多時候，Python 的效率并沒有想象中的那么夸張。本文對一些 Python 代碼加速運行的技巧進行整理。

0. 代碼優化原則本文會介紹不少的 Python 代碼加速運行的技巧。在深入代碼優化細節之前，需要了解一些代碼優化基本原則。

第一個基本原則是不要過早優化。很多人一開始寫代碼就奔著性能優化的目標，“讓正確的程序更快要比讓快速的程序正確容易得多”。因此，優化的前提是代碼能正常工作。過早地進行優化可能會忽視對總體性能指標的把握，在得到全局結果前不要主次顛倒。

第二個基本原則是權衡優化的代價。優化是有代價的，想解決所有性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。

第三個原則是不要優化那些無關緊要的部分。如果對代碼的每一部分都去優化，這些修改會使代碼難以閱讀和理解。如果你的代碼運行速度很慢，首先要找到代碼運行慢的位置，通常是內部循環，專注于運行慢的地方進行優化。在其他地方，一點時間上的損失沒有什么影響。

1. 避免全局變量# 不推薦寫法。代碼耗時：26.8秒

import math

size = 10000

for x in range（size）：

for y in range（size）：

z = math.sqrt（x） + math.sqrt（y）

許多程序員剛開始會用 Python 語言寫一些簡單的腳本，當編寫腳本時，通常習慣了直接將其寫為全局變量，例如上面的代碼。但是，由于全局變量和局部變量實現方式不同，定義在全局范圍內的代碼運行速度會比定義在函數中的慢不少。通過將腳本語句放入到函數中，通常可帶來 15% - 30% 的速度提升。

# 推薦寫法。代碼耗時：20.6秒

import math

def main（）： # 定義到函數中，以減少全部變量使用

size = 10000

for x in range（size）：

for y in range（size）：

z = math.sqrt（x） + math.sqrt（y）

main（）

2. 避免.2.1 避免模塊和函數屬性訪問

# 不推薦寫法。代碼耗時：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（）

每次使用。（屬性訪問操作符時）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。通過from import語句，可以消除屬性訪問。

# 第一次優化寫法。代碼耗時：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（）

在第 1 節中我們講到，局部變量的查找會比全局變量更快，因此對于頻繁訪問的變量sqrt，通過將其改為局部變量可以加速運行。

# 第二次優化寫法。代碼耗時：9.9秒

import math

def computeSqrt（size： int）：

result = ［］

sqrt = math.sqrt # 賦值給局部變量

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（）

除了math.sqrt外，computeSqrt函數中還有。的存在，那就是調用list的append方法。通過將該方法賦值給一個局部變量，可以徹底消除computeSqrt函數中for循環內部的。使用。

# 推薦寫法。代碼耗時：7.9秒

import math

def computeSqrt（size： int）：

result = ［］

append = result.append

sqrt = math.sqrt # 賦值給局部變量

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（）

2.2 避免類內屬性訪問# 不推薦寫法。代碼耗時：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（）

避免。的原則也適用于類內屬性，訪問self._value的速度會比訪問一個局部變量更慢一些。通過將需要頻繁訪問的類內屬性賦值給一個局部變量，可以提升代碼運行速度。

# 推薦寫法。代碼耗時：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（）

3. 避免不必要的抽象# 不推薦寫法，代碼耗時：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（）

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）去包裝代碼時，都會讓代碼變慢。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函數對屬性進行訪問通常是 C/C++ 程序員遺留下來的代碼風格。如果真的沒有必要，就使用簡單屬性。

# 推薦寫法，代碼耗時：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（）

4. 避免數據復制4.1 避免無意義的數據復制

# 不推薦寫法，代碼耗時：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（）

上面的代碼中value_list完全沒有必要，這會創建不必要的數據結構或復制。

# 推薦寫法，代碼耗時：4.8秒

def main（）：

size = 10000

for _ in range（size）：

value = range（size）

square_list = ［x * x for x in value］ # 避免無意義的復制

main（）

另外一種情況是對 Python 的數據共享機制過于偏執，并沒有很好地理解或信任 Python 的內存模型，濫用 copy.deepcopy（）之類的函數。通常在這些代碼中是可以去掉復制操作的。

4.2 交換值時不使用中間變量

# 不推薦寫法，代碼耗時：0.07秒

def main（）：

size = 1000000

for _ in range（size）：

a = 3

b = 5

temp = a

a = b

b = temp

main（）

上面的代碼在交換值時創建了一個臨時變量temp，如果不借助中間變量，代碼更為簡潔、且運行速度更快。

# 推薦寫法，代碼耗時：0.06秒

def main（）：

size = 1000000

for _ in range（size）：

a = 3

b = 5

a， b = b， a # 不借助中間變量

main（）

4.3 字符串拼接用join而不是+

# 不推薦寫法，代碼耗時：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拼接字符串時，由于 Python 中字符串是不可變對象，其會申請一塊內存空間，將a和b分別復制到該新申請的內存空間中。因此，如果要拼接 n 個字符串，會產生 n-1 個中間結果，每產生一個中間結果都需要申請和復制一次內存，嚴重影響運行效率。

而使用join（）拼接字符串時，會首先計算出需要申請的總的內存空間，然后一次性地申請所需內存，并將每個字符串元素復制到該內存中去。

# 推薦寫法，代碼耗時：0.3秒

import string

from typing import List

def concatString（string_list： List［str］） -》 str：

return ‘’.join（string_list） # 使用 join 而不是 +

def main（）：

string_list = list（string.ascii_letters * 100）

for _ in range（10000）：

result = concatString（string_list）

main（）

5. 利用if條件的短路特性# 不推薦寫法，代碼耗時：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；對于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， 為了節約運行時間，對于or語句，應該將值為True可能性比較高的變量寫在or前，而and應該推后。

# 推薦寫法，代碼耗時：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（）

6. 循環優化6.1 用for循環代替while循環

# 不推薦寫法。代碼耗時：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（）

Python 的for循環比while循環快不少。

# 推薦寫法。代碼耗時：4.3秒

def computeSum（size： int） -》 int：

sum_ = 0

for i in range（size）： # for 循環代替 while 循環

sum_ += i

return sum_

def main（）：

size = 10000

for _ in range（size）：

sum_ = computeSum（size）

main（）

6.2 使用隱式for循環代替顯式for循環

針對上面的例子，更進一步可以用隱式for循環來替代顯式for循環

# 推薦寫法。代碼耗時：1.7秒

def computeSum（size： int） -》 int：

return sum（range（size）） # 隱式 for 循環代替顯式 for 循環

def main（）：

size = 10000

for _ in range（size）：

sum = computeSum（size）

main（）

6.3 減少內層for循環的計算

# 不推薦寫法。代碼耗時：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（）

上面的代碼中sqrt（x）位于內側for循環， 每次訓練過程中都會重新計算一次，增加了時間開銷。

# 推薦寫法。代碼耗時：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 循環的計算

for y in range（size）：

z = sqrt_x + sqrt（y）

main（）

7. 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 函數 JIT 編譯為機器碼執行，大大提高代碼運行速度。關于numba的更多信息見下面的主頁：http://numba.pydata.org/numba.pydata.org

# 推薦寫法。代碼耗時：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（）

8. 選擇合適的數據結構Python 內置的數據結構如str， tuple， list， set， dict底層都是 C 實現的，速度非常快，自己實現新的數據結構想在性能上達到內置的速度幾乎是不可能的。

list類似于 C++ 中的std：：vector，是一種動態數組。其會預分配一定內存空間，當預分配的內存空間用完，又繼續向其中添加元素時，會申請一塊更大的內存空間，然后將原有的所有元素都復制過去，之后銷毀之前的內存空間，再插入新元素。

刪除元素時操作類似，當已使用內存空間比預分配內存空間的一半還少時，會另外申請一塊小內存，做一次元素復制，之后銷毀原有大內存空間。

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是雙端隊列，同時具備棧和隊列的特性，能夠在兩端進行 O（1） 復雜度的插入和刪除操作。

list的查找操作也非常耗時。當需要在list頻繁查找某些元素，或頻繁有序訪問這些元素時，可以使用bisect維護list對象有序并在其中進行二分查找，提升查找的效率。

另外一個常見需求是查找極小值或極大值，此時可以使用heapq模塊將list轉化為一個堆，使得獲取最小值的時間復雜度是 O（1）。

下面的網頁給出了常用的 Python 數據結構的各項操作的時間復雜度：https://wiki.python.org/moin/TimeComplexity

參考資料David Beazley & Brian K. Jones. Python Cookbook， Third edition. O‘Reilly Media， ISBN： 9781449340377， 2013.

張穎 & 賴勇浩。 編寫高質量代碼：改善Python程序的91個建議。 機械工業出版社， ISBN： 9787111467045， 2014.

編輯：jq