这种观点在关于编程语言的讨论中经常出现，经常掩盖了Python的众多优点。
事实是，如果能以Pythonic的方式编写Python代码，它是很快的。
细节决定成败。经验丰富的Python开发者掌握了一系列微妙而强大的技巧，可以显著提高代码的性能。
这些技巧乍看之下似乎微不足道，但它们可以带来效率的大幅提升。让我们深入了解其中的9种方法，改变编写和优化Python代码的方式。
如果有大量字符串等待处理，字符串连接将成为Python程序的瓶颈。
基本上，Python有两种字符串连接的方式：
使用join()函数将一组字符串合并为一个字符串。
使用+或+=符号将每个单独的字符串添加到一个字符串中。
那么哪种方式更快呢？
现在，让我们定义3个不同的函数来连接相同的字符串：
mylist = ["Yang", "Zhou", "is", "writing"] # 使用'+' def concat_plus(): result = "" for word in mylist: result += word + " " return result # 使用'join()' def concat_join(): return " ".join(mylist) # 直接连接而不使用列表 def concat_directly(): return "Yang" + "Zhou" + "is" + "writing"
根据你的第一印象，你认为哪个函数最快，哪个最慢？
真正的结果可能会让你惊讶：
import timeit print(timeit.timeit(concat_plus, number=10000)) # 0.002738415962085128 print(timeit.timeit(concat_join, number=10000)) # 0.0008482920238748193 print(timeit.timeit(concat_directly, number=10000)) # 0.00021425005979835987
如上所示，对于连接一组字符串，join()方法比在for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中是不可变的数据，每次+=操作都会创建一个新字符串并复制旧字符串，这在计算上成本是昂贵的。
另一方面，.join()方法专门针对连接一系列字符串进行了优化。它会预先计算出所生成字符串的大小，然后一次性创建它。因此，它避免了循环中+=操作带来的开销，从而使速度更快。
然而，在我们的测试中，速度最快的函数是直接连接字符串文字。它的高速度是由于：
Python解释器可以在编译时优化字符串文字的连接，将它们转换为一个单独的字符串文字。这里不涉及循环迭代或函数调用，因此是一种非常高效的操作。
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，比在循环中进行的运行时连接或经过优化的.join()方法要快得多。
总之，如果需要连接一组字符串，请选择join()而不是+=。如果想要直接连接字符串，只需使用+即可。
创建列表并不是很难的事情。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))
# 0.1368238340364769
print(timeit.timeit(list, number=10 ** 7))
# 0.2958830420393497
结果显示，执行list()函数比直接使用[]要慢。
这是因为[]是一种字面量语法，而list()是一个构造函数调用。调用函数无疑需要额外的时间。
从同样的逻辑出发，在创建字典时，我们也应该使用{}而不是dict()。
成员测试操作的性能在很大程度上依赖于底层数据结构：
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)) # 0.01112208398990333 print(timeit.timeit(set_membership_test, number=1000)) # 3.27499583363533e-05
正如上述代码所示，使用集合进行成员测试比使用列表更快。
为什么会这样呢？
在Python的列表中，成员测试（列表中的元素）是通过迭代每个元素直到找到所需的元素或达到列表的末尾来完成。因此，此操作的时间复杂度为O(n)。
Python中的集合实现形式为哈希表。在进行成员检查（集合中的元素）时，Python使用哈希机制，其平均时间复杂度为O(1)。
这里的关键在于：在编写程序时要仔细考虑底层数据结构。正确利用合适的数据结构可以显著加快代码的运行速度。
Python中有四种推导式类型：列表推导式、字典推导式、集合推导式和生成器推导式。它们不仅为创建相对数据结构提供了更简洁的语法，而且比使用for循环更高效，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)) # 0.2797503340989351 print(timeit.timeit(generate_squares_comprehension, number=10000)) # 0.2364629579242319
上述代码是列表推导式和for循环之间的简单速度比较。结果显示，列表推导式更快。
在Python中，访问局部变量比访问全局变量或对象的属性更快。
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)) # 0.036605041939765215 print(timeit.timeit(test_local_variable, number=1000)) # 0.024470250005833805
这就是Python的工作原理。直观地说，当一个函数被编译时，其中的局部变量是已知的，但其他外部变量需要时间来检索。
这可能是一个小问题，但是当处理大量数据时，我们可以利用它来优化我们的代码。
当工程师们说到Python时，默认情况下指的是CPython。因为CPython是Python语言的默认实现，也是使用最广泛的实现。
鉴于它的大部分内置模块和库都是用C语言编写的，而C语言是一种更快且更底层的语言，因此我们应该利用这些内置模块和库，避免重复劳动。
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))
# 0.005160166998393834
print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))
# 0.002444291952997446
上面的程序比较了两种统计列表中元素频率的方法。可以看到，利用collections模块中内置的Counter函数比自己编写的for循环更快、更简洁、更好。
缓存是一种常用的技术，用于避免重复计算并加快程序的运行速度。
幸运的是，在大多数情况下，我们不需要自己编写缓存处理代码，因为Python为此提供了一个开箱即用的装饰器来实现这个目的——@functools.cache。
例如，下面的代码将执行两个生成斐波那契数的函数，一个有缓存装饰器，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) # 测试每个函数的执行时间 print(timeit.timeit(lambda: fibonacci(30), number=1)) # 0.09499712497927248 print(timeit.timeit(lambda: fibonacci_cached(30), number=1)) # 6.458023563027382e-06
结果证明了@functools.cache装饰器是如何使我们的代码变得更快的。
基本的fibonacci函数效率较低，因为在计算fibonacci(30)结果的过程中，它会多次重新计算相同的斐波那契数。
而使用缓存的版本要快得多，因为它缓存了之前的计算结果。因此，它只计算每个斐波那契数一次，并且对于相同的参数再次调用时会从缓存中获取结果。
仅仅添加一个内置的装饰器就可以带来如此大的改进，这就是Pythonic的意义所在。😎
要创建一个无限的while循环，我们可以使用while True或while 1。
它们的性能差异通常可以忽略不计。但是，了解while 1稍微快一些还是很有趣的。
这源于1是一个字面常量，而True是Python全局作用域中需要查找的一个全局名称，因此需要一点点额外开销。
让我们在代码片段中进一步比较这两种方式的真实性能：
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)) # 0.1733035419601947 print(timeit.timeit(loop_with_one, number=10000)) # 0.16412191605195403
正如所看到的，while 1的速度确实稍快一些。
然而，现代的Python解释器（如CPython）已经过高度优化，这种差异通常是微不足道的。所以不需要担心这种可忽略的差异。更不用说while True比while 1更易读了。
在Python脚本的顶部导入所有模块似乎是很自然的。
实际上，我们并不需要这样做。
而且，如果一个模块太大，在需要时导入它是一个更好的选择。
def my_function(): import heavy_module # 函数的其余部分
以上代码中，heavy_module是在函数内部导入的。这是一种“延迟加载”的思想，即延迟到在调用my_function时才进行导入。
这种方法的好处是，如果在执行脚本的过程中从未调用过my_function，那么heavy_module就不会被加载，从而节省资源并减少脚本的启动时间。
综上所述，就是9个优化Python代码性能的实用技巧，但在实际应用时需要根据具体情况进行权衡和调整。通过综合考虑代码的性能、可读性和可维护性，进而编写出高效且易于理解的Python代码。