python 之 如何使用一些工具和方法來提高代碼的運行速度

1.數據結構一定要選對

• 假如有百萬個數據進行排序，如果選擇列表，排序可能需要8分鐘，而選用字典，只用了十幾秒就能搞定。

2.多用python中封裝好的模塊庫

• 比如numpy,matplotlib,pandas這三個。matplotlib是繪圖庫，這個就不多說了，numpy和pandas非常強大，

• numpy主要是用於計算的，裏面有一個多維的數組對象叫ndarray,它具有矢量算術運算能力和複雜的廣播能力，並具有執行速度快和節省空間的特點。ndarray類型擁有很多便捷的函數可以進行矩陣運算，

• 而pandas在大數據的處理方面有更加強大的能力。我在這方面的主要應用是將數據保存成.csv## 標題文件和從.csv文件中讀入的時候用到了這個模塊，用到了pandas中的Dataframe和Series，進行數據運算的時候超級方便。

3. 工具

Cython

• Cython 是Python 的C語言擴展。準確說Cython是單獨的一門語言，Cython在提速方面有很大優勢 ,它專門用來寫在Python裏面import用的擴展庫。實際上Cython的語法基本上跟 Python一致，而Cython有專門的編譯器:先將 Cython代碼轉變成C(自動加入了一大堆的C-PythonAPI)，然後使用C編譯器編譯出最終的Python可調用的模塊。不過Cython的缺點是，你並不能真正編寫Python代碼，這樣一來，現有代碼將 不會完全自動轉移成功。

Numba

• Numba ，是Cython的競爭項目。numba把Python源碼通過LLVMPy生成JIT後的.so文件來加速。不同於Cython，Numba是以JIT爲主的，加速對源碼的侵入性較小。而Cython則重點在加速高性能Python模塊的開發上，不依賴LLVMPy項目。此外numba還很不成熟，目前兼容性相當差。

    import time
    def foo(x,y):
        tt = time.time()
        s = 0
        for i in range(x,y):
        s += i
        print('Time used: {} sec'.format(time.time()-tt))
        return s
   print(foo(1,100000000))
  

結果：
Time used: 6.779874801635742 sec
4999999950000000

    #使用numba
    
    from numba import jit
    import time
    @jit
    def foo(x,y):
        tt = time.time()
        s = 0
        for i in range(x,y):
            s += i
        print('Time used: {} sec'.format(time.time()-tt))
        return s
    print(foo(1,100000000))

結果：
Time used: 0.04680037498474121 sec
4999999950000000

Python創 始人Guido vanRossum堅信Python的許多性能問題可以歸結爲語言的使用不當。例如，對於CPU消耗過高的處理，可以通過一些方法來加速Python運行——使 用NumPy、使用多處理器擴展、或藉助外部C代碼從而避免全局解釋器鎖(GIL)——Python緩慢的根源。但由於在Python中還沒有可行的 GIL替代語言，Python仍將在短期落後於其他語言——甚至可能更長時間。

Guido van Rossum還說過：

如果你開發的系統發現了性能瓶頸，通常最有效率的做法是找到出問題的代碼塊，用速度較快的語言如C或C++寫一些代碼替換該功能或該模塊，而不是用C或C++重寫整個系統，因爲對大部分代碼而言，語言的速度是無關緊要的