编写“高性能”Python代码.pdf

编写“⾼性能”Python代码 前⾔ • 为什么是“⾼性能” • Python(CPython)的速度 主要内容 • 如何找出代码性能瓶颈 • Python的⼀些性能tips • 其他和性能相关的内容杂谈 • 性能调优是⼀个⾮常庞⼤的主题，这⼉⽆法涵盖 所有⽅⾯，重要的是分享思路 找出瓶颈 • 优化的第⼀步：找出瓶颈 • 永远不要去猜代码的性能瓶颈 • 瓶颈经常会出现在你想不到的地⽅ • json.dumps(data) 会成为你的代码瓶颈吗？ • 当data异常庞⼤时... 找出瓶颈 • 使⽤专业⼯具 • profile/cprofile • line_profile(/rkern/ line_profiler) • ipython: %prun ⽐较⽅案 • 使⽤⼯具来⽐较⽅案的好坏 • import timeit • timeit.Timer(…).timeit() • ipython: %timeit 编写⾼性能Python代码 • 优化你的代码 • 使⽤更快的⼯具 • 超越CPython 优化你的代码 • 合理使⽤内置数据类型 • 判断元素是否在其中 131 µs 190 ns 700x faster! • O(n) vs O(1) ，越⼤的list区别越⼤ • 算法上的优化会带来极⼤的性能差距 优化你的代码 • 懒惰计算 • range vs xrange 30.1 ms 17.3 ms 1.74x faster! • yield / dict.iteritems() / itertools • [x for x in l] vs (x for x in l) • 空间分配上的优化通常会带来性能上的提升 优化你的代码 • 正则表达式 • 不要忘了编译 pile 2.68 µs 1.69 µs 1.58X faster! 优化你的代码 • 简单的字符串处理 • 有时候简单的字符串处理会更快 850 ns 2X faster! • 正则表达式在处理很⻓的字符串时性能较慢 • 强⼤的规则有时会带来性能的损失，试着简单思考 优化你的代码 • 列表迭代 vs for循环 1.12 ms 819 µs 1.36x faster • 列表迭代接近map循环速度，是c级别的 • 在Python中，更简洁的代码经常也会是更优秀的代码 优化你的代码 • 不可忽视的函数调⽤开销 1.42 ms 558 µs 2.54x faster • 很⼤的循环内，如果可以inlin