一直以来，诟病 Python语言的人经常说，他们不想使用的一个原因是 Python 的速度太慢了。不管使用哪一种编程语言，程序运行速度的快慢在很大程度上还是取决于编写程序的开发人员，以及他们编写高效程序的技巧和能力。
那这可以说是 Python 开发者们的问题吗？为了证实一些不正确的看法，我们接下来就带领大家一起看看想要提升 Python 程序的性能，加快运行速度 30%，有什么方法？
时序和性能优化
在开始优化任何一段 Python 程序之前，我们首先需要找出哪部分代码是拖慢整个程序运行速度的原因。有时候程序的瓶颈可能会很明显，但更多时候不那么容易被发现，为了快速地定位瓶颈来进行优化，下面提供了一些查找瓶颈的方法：
以下我们以一段实际的代码作为示例，它用于进行指数运算（来源于Python文档）：
# slow_program.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
exp(Decimal(150))
exp(Decimal(400))
exp(Decimal(3000))
最简单的优化
首先，最简单的、最实用的性能优化的解决办法是利用 Unix 的 time 命令，time可以监控程序执行的时间：
~ $ time python3.8 slow_program.py
real 0m11,058s
user 0m11,050s
sys 0m0,008s
如果你只想给整个程序的运行计时，这是可行的，但通常来说还是远远不够的…
最详细的性能分析
另外一个可以利用的指令是 cProfile，但是它提供的信息又过于详细了：
~ $ python3.8 -m cProfile -s time slow_program.py
1297 function calls (1272 primitive calls) in 11.081 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
3 11.079 3.693 11.079 3.693 slow_program.py:4(exp)
1 0.000 0.000 0.002 0.002 {built-in method _imp.create_dynamic}
4/1 0.000 0.000 11.081 11.081 {built-in method builtins.exec}
6 0.000 0.000 0.000 0.000 {built-in method __new__ of type object at 0x9d12c0}
6 0.000 0.000 0.000 0.000 abc.py:132(__new__)
23 0.000 0.000 0.000 0.000 _weakrefset.py:36(__init__)
245 0.000 0.000 0.000 0.000 {built-in method builtins.getattr}
2 0.000 0.000 0.000 0.000 {built-in method marshal.loads}
10 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:1233(find_spec)
8/4 0.000 0.000 0.000 0.000 abc.py:196(__subclasscheck__)
15 0.000 0.000 0.000 0.000 {built-in method posix.stat}
6 0.000 0.000 0.000 0.000 {built-in method builtins.__build_class__}
1 0.000 0.000 0.000 0.000 __init__.py:357(namedtuple)
48 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:57(_path_join)
48 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap_external>:59(<listcomp>)
1 0.000 0.000 11.081 11.081 slow_program.py:1(<module>)
...
在这里，我们使用 cProfile 模块和 time 参数来运行测试脚本，以便按内部运行时间（cumtime）对行数据进行排序。这会提供给我们很多的信息，在上图中你可以看到显示的行数大约只是实际输出的十分之一。因此，我们可以看出exp函数是耗时的罪魁祸首，现在我们可以更进一步地了解时序和性能优化了。
时序特定功能
既然我们知道性能瓶颈所在，那么我们可能希望给运行起来比较耗时的函数进行计时，而不用关注其余部分的代码了。为此，我们可以使用一个简单的 decorator（装饰器）：
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
这个decorator可以应用于后面的待测函数，如下图中的代码所示：
@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))
我们会得到如下的输出结果：
~ $ python3.8 slow_program.py
module function time
__main__ .exp : 0.003267502994276583
__main__ .exp : 0.038535295985639095
__main__ .exp : 11.728486061969306
需要考虑的一件事，是我们实际想要测量的运行时间。时间包里提供了time.perf_counter和time.process_time。在这里的区别在于perf_counter返回的是绝对值，其中包括Python程序执行进程未运行的时间，因此它可能会受到计算机负载量的影响。另一方面，process_time只返回用户时间（不包括系统时间），这只是你的进程执行时间。
加速
现在，我们进入有趣的部分，让你的 Python 程序运行的更快。我基本上不会展示一些能够解决程序性能问题的技巧和代码，更多的是关于通常的思路和策略，在使用的时候，它们可能会对性能产生巨大的影响，在某些情况下，可以将程序运行速度提高30%。
使用内置数据类型
这一点很明显。内置的数据类型执行起来非常的快，特别是与我们自定义的数据类型相比，比如树或者链表。这主要是因为内置代码是由C语言实现的，因此，我们在使用 Python 编写代码时，在速度上实在是无法与其相比。
使用 lru_cache 缓存
我已经在上一篇文章中提及了这一技术，但我认为有必要用一个简单的例子再来说一下：
import functools
import time
# caching up to 12 different results
@functools.lru_cache(maxsize=12)
def slow_func(x):
time.sleep(2) # Simulate long computation
return x
slow_func(1) # ... waiting for 2 sec before getting result
slow_func(1) # already cached - result returned instantaneously!
slow_func(3) # ... waiting for 2 sec before getting result
上面代码中的函数使用了 time.sleep 模拟了密集型计算任务。当第一次使用参数 1 进行调用时，它等待了 2 秒，之后才返回结果。而当再次调用的时候，结果已被缓存了，因此它跳过函数体的执行并立即返回了结果。有关更多实际应用的例子，请参见以前的博客文章。
使用局部变量
这与在每个作用域里查找一些变量的速度有关系，每个作用域不仅仅是局部变量跟全局变量。实际上，即使是在函数的局部变量（最快）、类级属性（例如self.name，较慢）和全局变量（例如time.time，最慢）之间，查找速度也存在着明显的差异。
你可以通过使用一些看起来不必要的任务来提高性能，如下面的代码所示：
# Example #1
class FastClass:
def do_stuff(self):
temp = self.value # this speeds up lookup in loop
for i in range(10000):
... # Do something with `temp` here
# Example #2
import random
def fast_function():
r = random.random
for i in range(10000):
print(r()) # calling `r()` here, is faster than global random.random()
使用函数
这看起来似乎有悖于常理，因为调用函数会将更多的东西放入堆栈里，并从函数的返回过程中产生额外的性能开销，但这与前面说的一点有关系。如果只将整个代码打包在一个文件里，而不是将其放在函数中，那样就会由于全局变量而导致运行速度要慢得多。因此，只需将整个代码打包到main函数之中并只调用一次，就可以提高代码运行的速度，如下图所示：
def main():
... # All your previously global code
main()
不要访问属性
另一个可能会影响程序运行速度的是，点运算符访问对象属性的过程。点运算符使用__getattribute__触发数据字典查找的操作，这会在代码中产生额外的开销。那么，我们如何才能真正地避免或者是限制使用它呢？见下图中的代码：
# Slow:
import re
def slow_func():
for i in range(10000):
re.findall(regex, line) # Slow!
# Fast:
from re import findall
def fast_func():
for i in range(10000):
findall(regex, line) # Faster!
注意字符串
在循环中使用如module（%s）或者.format（）的时候，对字符串的操作可能会非常的慢。那我们还有什么更好的选择呢？根据Raymond Hettinger最近的推特文章，我们应该使用的是f-string，它是最易读、最简洁并且最快速的方法。因此，根据今天的介绍方法，以下是大家可以使用的方法列表 — 由最快到最慢排列：
f'{s} {t}' # Fast!
s + ' ' + t
' '.join((s, t))
'%s %s' % (s, t)
'{} {}'.format(s, t)
Template('$s $t').substitute(s=s, t=t) # Slow!
生成器本身并不会更快，因为它们是为了进行延迟计算而设计的，这样可以节省内存而不是节省时间。但是，节省下的内存实际上可能会让程序运行的更快。这是怎么做到的呢？如果你有一个很大的数据集，并且没有使用生成器（迭代器），那么数据有可能会溢出CPUs L1缓存，这将大大地减慢了在内存中查找值的速度。
在性能方面，非常重要的一点是CPU可以将所有正在处理的数据尽可能地保存在缓存之中。
结论
优化的第一条规则是不要优化。但是，如果你确实需要的话，那么我希望以上的这几条建议可以帮到你。但是，在优化代码的时候一定要小心，因为它可能会让你的代码失去了可读性，导致程序难以维护，这可能就超过了优化的好处。
