让Python程序快30%的技巧

 

 

 

[[312018]]

 

Python性能调试

要进行Python性能，前提条件是要找出程序中的性能瓶颈。找出程序中影响程序性能的代码。有经验的开发者一般都能很容易能找出程序的瓶颈，但对于普通码农找出系统的问题代码则很难，为了能快捷有效的发现程序的性能瓶颈就需要进行性能调试，此处我们以一个实际例子进行介绍，以下程序是计算e的x(1..n)次的幂，其代码如下：

 

# performance.py 
 
from decimal import * 
 
def exp(x): 
 
getcontext().prec += 2 
 
i, lasts, s, fact, num = 0, 0, 1, 1, 1 
 
while s != lasts: 
 
lasts = s 
 
i += 1 
 
fact *= i 
 
num *= x 
 
s += num / fact 
 
getcontext().prec -= 2 
 
return +s 
 
print(exp(Decimal(150))) 
 
print(exp(Decimal(400))) 
 
print(exp(Decimal(3000))) 

 

最简单的调试

最简单且实用的调试性能调试的方法是使用Linux的time命令，time可以计算程序执行的时间：

 

 

 

time python3 performance.py 
 
1.393709580666379697318341937E+65 
 
5.221469689764143950588763007E+173 
 
7.646200989054704889310727660E+1302 
 
real 0m15.185s 
 
user 0m15.100s 
 
sys 0m0.004s 

 

计算前两个数的(150，400)很快，而第三个大一点时会很慢，总共要15秒多才算完，是有点卡顿(慢)。

time虽然很便捷有用，但是不能给我们详细的代码性能细节。

详细性能分析cProfile

性能分析另一个常用的方法是使用cProfile，它可以提供很多性能信息

 

python3 -m cProfile -s time performance.py 

 

 

 

例子中，我们使用了cProfile模块和time参数运行测试脚本，以便按内部时间(cumtime)对行进行排序。如上图所示，使用cProfile可以给很多内部的具体信息，通过我们可以知道主要耗时是由exp函数导致。知道了程序的性能瓶颈所在，我们就再说明Python性能分析和优化。

优化特定功能

知道了将性能的瓶颈所在(实例中是exp函数)，我们为了进一步具体问题具体分析，我们使用一个简单装饰器，以便跳过其他代码，专门分析性能瓶颈所设计的函数。然后使用装饰器进行测试，具体代码如下：

 

def timeit_wrapper(func): 
 
@wraps(func) 
 
def wrapper(*args, **kwargs): 
 
start = time.perf_counter() # Alternatively, you can use time.process_time() 
 
func_return_val = func(*args, **kwargs) 
 
end = time.perf_counter() 
 
print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start)) 
 
return func_return_val 
 
return wrapper 

 

我们用这个装饰器来测试exp：

 

@timeit_wrapper 
 
def exp(x): 
 
... 
 
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time')) 
 
exp(Decimal(150)) 
 
exp(Decimal(400)) 
 
exp(Decimal(3000)) 

 

 

 

结果：

 

module function time 
 
__main__ .exp : 0.00920036411844194 
 
__main__ .exp : 0.09822067408822477 
 
__main__ .exp : 15.228459489066154 

 

代码中，我们用到了time包提供time.perf_counter函数，它还提供了另外一个函数time.process_time。两者的区别在于perf_counter返回的绝对时间，包括Python程序进程未运行时的时间，它可能会受到计算机负载的影响。而process_time仅返回用户时间(不包括系统时间)，这仅是程序过程时间。

性能优化

最后是Python程序的性能优化，为了让Python程序运行得更快，我们提供一些可供参考的性能优化构想和策略的，通过这些策略我们一半可以提高应用的运行速度，最高情况下可以让你的应用快30%。

使用内建数据类型

很明显，内建数据类型非常快，尤其是与自定义类型相比，比如树或者链表。因为内建程序是用C实现的，所以其性能优势是Python代码所无法比拟的。

使用lru_cache缓存/记忆

很多时候缓存非常有效，可以极大的提高性能，尤其在数值计算和涉及大量重复调用(递归)时。考虑一个例子：

 

 

上面的函数使用time.sleep(2)模拟一个耗时的代码。第一次使用参数1调用时，它将等待2秒，然后返回结果。再次调用时，由于结果已被缓存，将跳过函数的执行，直返回。用3调用时候由于参数不一样会耗时2秒，总体耗时应该为4s，我们用time 验证:

 

real 0m4.061s 
 
user 0m0.040s 
 
sys 0m0.015s 

 

这和我们设想的一致。

使用局部变量

基于变量作用域中查找速度相关，在函数的局部变量具有很高的速度。其次是类级属性(如self.name)和最慢的是全局变量，如time.time(最慢)。所以我们可以通过避免使用不必要的全局变量来提高性能。

使用函数

这似乎有点出乎意料，因为涉及函数的内存占用都在堆栈上，而函数返回也会有开销。但是使用函数，可以避免使用全局变量，可以提高性能。因此，可以通过将整个代码包装在main函数中只调用一次来加速代码。

避免使用属性

另一个可以是影响程序性能的操作是点运算符访问对象属性。点运算符使用__getattribute__触发会字典查找，会在代码中产生额外的开销。我们可以通过一些使用函数而不是类方法的方式避免点操作，比如下面例子

#慢代码:

 

import re 
 
def slow_func(): 
 
for i in range(10000): 
 
re.findall(regex, line) 

 

#快代码

 

from re import findall 
 
def fast_func(): 
 
for i in range(10000): 
 
findall(regex, line) 

 

使用f-string

在循环中使用格式符(%s)或.format()时，字符串操作可能会变得非常缓慢。为了进行性能优化，我们应该使用f-string。它是Python 3.6引入的很具可读性，简洁性和最快的方法。比如：

 

s + ' ' + t 
 
' '.join((s, t)) 
 
'%s %s' % (s, t) 
 
'{} {}'.format(s, t) 
 
Template('$s $t').substitute(s=s, t=t) # 慢代码 
 
 
f'{s} {t}' # 快代码 

 

总结

性能的调试和优化是非常重要的码农技术之一。本文中，我们提供了Python应用性能调试和优化的技巧和策略，希望能对大家有所帮助。