一些让Python代码更快的技巧

更快的字符串拼接

在你的Python程序中，如果有大量字符串等待处理，字符串拼接可能会成为一个瓶颈。基本上，Python有两种字符串拼接的方式：

使用join()函数将字符串列表合并为一个字符串。
使用+或+=符号将每个单独的字符串添加到一个字符串中。

那么哪一种方式更快呢？
废话少说，让我们为拼接相同字符串定义三个不同的函数：

mylist = ["Yang", "Zhou", "is", "writing"]


def concat_plus():
    result = ""
    for word in mylist:
        result += word + " "
    return result


def concat_join():
    return " ".join(mylist)


def concat_directly():
    return "Yang" + "Zhou" + "is" + "writing"

根据你的第一印象，你认为哪个函数是最快的，哪个是最慢的呢？
真实的结果可能会让你惊讶：

import timeit

print(timeit.timeit(concat_plus, number=10000))

print(timeit.timeit(concat_join, number=10000))

print(timeit.timeit(concat_directly, number=10000))

如上所示，对于拼接字符串列表，join()方法比在循环中逐个添加字符串更快。原因很简单，一方面，字符串在Python中是不可变数据，每次+=操作都会导致新字符串的创建和旧字符串的复制，这在计算上是昂贵的。另一方面，.join()方法专门针对连接字符串序列进行了优化。它预先计算了结果字符串的大小，然后一次性构建它，因此避免了在循环中使用+=操作时的开销，因此更快。

然而，在测试中，速度最快的函数是直接拼接字符串字面值。其高速度归功于：

Python解释器可以在编译时优化字符串字面值的拼接，将它们转化为一个单一的字符串字面值。这没有循环迭代或函数调用的参与，使其成为非常高效的操作。
由于所有字符串在编译时都是已知的，Python可以非常快速地执行此操作，比运行时在循环中拼接甚至优化过的.join()方法都要快。

总而言之，如果你需要拼接一个字符串列表，选择使用join()而不是+=。如果你想直接拼接字符串，只需使用+即可。

列表创建：使用`[]`而非`list()`

创建一个列表并不是什么大问题。常见的两种方式是：

使用list()函数
直接使用[]

让我们使用一个简单的代码片段来测试它们的性能：

import timeit

print(timeit.timeit('[]', number=10 ** 7))

print(timeit.timeit(list, number=10 ** 7))

结果显示，执行list()函数比直接使用[]要慢。这是因为[]是一个字面语法，而list()是一个构造函数调用。毫无疑问，调用函数需要额外的时间。

从相同的逻辑来看，当创建一个字典时，我们也应该使用{}而不是dict()。

成员测试：使用集合而非列表

成员测试操作的性能严重依赖于底层的数据结构：

import timeit

large_dataset = range(100000)
search_element = 2077

large_list = list(large_dataset)
large_set = set(large_dataset)

def list_membership_test():
    return search_element in large_list

def set_membership_test():
    return search_element in large_set

print(timeit.timeit(list_membership_test, number=1000))


print(timeit.timeit(set_membership_test, number=1000))

正如上述代码所演示的，集合中的成员测试比列表中的更快。为什么呢？

在Python列表中，成员测试（element in list）是通过迭代每个元素直到找到所需元素或达到列表末尾来完成的。因此，此操作具有O(n)的时间复杂度。

Python中的集合实现为哈希表。在检查成员资格（element in set）时，Python使用哈希机制，其平均时间复杂度为O(1)。

这里的要点是在编写程序时要仔细考虑底层数据结构。合理利用正确的数据结构可以显著加快我们的代码。

使用推导式替代for循环

在Python中，有四种推导式：列表推导式、字典推导式、集合推导式和生成器表达式。它们不仅提供了更简洁的语法来创建相关的数据结构，而且比使用for循环具有更好的性能，因为它们在Python的C实现中进行了优化。

import timeit

def generate_squares_for_loop():
    squares = []
    for i in range(1000):
        squares.append(i * i)
    return squares

def generate_squares_comprehension():
    return [i * i for i in range(1000)]

print(timeit.timeit(generate_squares_for_loop, number=10000))


print(timeit.timeit(generate_squares_comprehension, number=10000))

上述代码是对列表推导式和for循环进行简单速度比较的示例。结果显示，列表推导式更快。除此之外列表推导式在很多情况下也更为简洁，呈现了Python之美 ;)

优先使用局部变量

在Python中，访问局部变量比访问全局变量或对象属性更快。以下是一个实例来证明这一点：

import timeit

class Example:
    def __init__(self):
        self.value = 0

obj = Example()

def test_dot_notation():
    for _ in range(1000):
        obj.value += 1

def test_local_variable():
    value = obj.value
    for _ in range(1000):
        value += 1
    obj.value = value

print(timeit.timeit(test_dot_notation, number=1000))


print(timeit.timeit(test_local_variable, number=1000))

这就是Python的工作原理。直观地说，当函数被编译时，其中的局部变量是已知的，但是其他外部变量需要时间来检索。这里的差异时间可能很少，但在处理大量数据时，我们可以利用它来优化我们的代码。

优先使用内置模块和库

提到Python时，默认指的是CPython。因为CPython是Python语言的默认且最广泛使用的实现。

考虑到它的大多数内置模块和库是用C语言编写的，这是一种更快且更底层的语言，我们应该充分利用这些内置工具，避免重新发明轮子。

import timeit
import random
from collections import Counter

def count_frequency_custom(lst):
    frequency = {}
    for item in lst:
        if item in frequency:
            frequency[item] += 1
        else:
            frequency[item] = 1
    return frequency

def count_frequency_builtin(lst):
    return Counter(lst)

large_list = [random.randint(0, 100) for _ in range(1000)]

print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))

print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))

上述程序比较了两种在列表中计算元素频率的方法。利用collections模块中内置的Counter比自己编写for循环更快、更整洁，也更优秀。

利用缓存装饰器加快函数调用

缓存是一种常用的技术，用于避免重复计算并提高程序速度。在大多数情况下，我们无需自己编写缓存处理代码，因为Python提供了一个开箱即用的装饰器，即@functools.cache。

以下是一个执行两个斐波那契数生成函数的示例，其中一个使用了缓存装饰器，而另一个没有：

import timeit
import functools

def fibonacci(n):
    if n in (0, 1):
        return n
    return fibonacci(n - 1) + fibonacci(n - 2)

@functools.cache
def fibonacci_cached(n):
    if n in (0, 1):
        return n
    return fibonacci_cached(n - 1) + fibonacci_cached(n - 2)


print(timeit.timeit(lambda: fibonacci(30), number=1))

print(timeit.timeit(lambda: fibonacci_cached(30), number=1))

结果证明了functools.cache装饰器如何使我们的代码更快。基本的斐波那契函数效率低下，因为在获取fibonacci(30)结果的过程中多次重新计算相同的斐波那契数。

缓存版本明显更快，因为它缓存了先前计算的结果。因此，它仅计算每个斐波那契数一次，随后使用相同参数调用将从缓存中检索。

但是，需要注意的是，使用cache函数缓存的结果会被保存在内存中，并且是永久性的，因此如果使用cache装饰器缓存了一些不再需要的结果，这些结果就会一直占用内存。为了避免这种情况，可以手动清除缓存。并且cache装饰器只能缓存有限的参数类型，例如基本数据类型、元组和不可变集合等。对于可变对象（如列表和字典）和自定义类对象，需要自行实现缓存机制。

更快的无限循环

在创建无限循环时，我们可以使用while True或while 1。它们的性能差异通常微乎其微，但有趣的是while 1稍微更快。

这源于数字1是一个字面常量，而True是Python全局名称，需要在Python的全局范围内查找，因此需要一点点的额外开销。

让我们通过一个代码片段来比较这两种方式的实际性能：

import timeit

def loop_with_true():
    i = 0
    while True:
        if i >= 1000:
            break
        i += 1

def loop_with_one():
    i = 0
    while 1:
        if i >= 1000:
            break
        i += 1

print(timeit.timeit(loop_with_true, number=10000))

print(timeit.timeit(loop_with_one, number=10000))

正如我们所见，while 1确实稍微更快。

然而，现代的Python解释器（如CPython）经过高度优化，这样的差异通常微不足道。因此，我们不需要过于担心这个微小的差异。更不用说，while True比while 1更易读。

惰性加载Python模块

在Python脚本的顶部导入所有模块似乎是一种自然的做法。
但实际上，我们并不一定要这样做。
而且，如果一个模块过于庞大，按需导入是一个更好的选择。

1
2
3

def my_function():
    import heavy_module

如上代码所示，heavy_module 是在函数内部导入的。这是一种“惰性加载”的思想，其中导入被延迟到 my_function 被调用的时候。

这种方法的好处在于，如果在脚本执行过程中从未调用 my_function，那么 heavy_module 就不会被加载，从而节省资源并缩短脚本的启动时间。

推荐订阅源

Xudong's Blog

更快的字符串拼接

列表创建：使用`[]`而非`list()`

成员测试：使用集合而非列表

使用推导式替代for循环

优先使用局部变量

优先使用内置模块和库

利用缓存装饰器加快函数调用

更快的无限循环

惰性加载Python模块

推荐订阅源

Xudong's Blog

更快的字符串拼接

列表创建：使用[]而非list()

成员测试：使用集合而非列表

使用推导式替代for循环

优先使用局部变量

优先使用内置模块和库

利用缓存装饰器加快函数调用

更快的无限循环

惰性加载Python模块

列表创建：使用`[]`而非`list()`