Python 是一种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。

0. 代码优化原则

本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。

*个基本原则是不要过早优化。很多人一开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。因此，优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前不要主次颠倒。

第二个基本原则是权衡优化的代价。优化是有代价的，想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外，开发代价也需要考虑。

第三个原则是不要优化那些无关紧要的部分。如果对代码的每一部分都去优化，这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢，首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化。在其他地方，一点时间上的损失没有什么影响。

1. 避免全局变量

1. # 不推荐写法。代码耗时：26.8秒
2. import math
4. size = 10000
5. for x in range(size):
6.     for y in range(size):
7.         z = math.sqrt(x) + math.sqrt(y)

许多程序员刚开始会用 Python 语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不少。通过将脚本语句放入到函数中，通常可带来 15% – 30% 的速度提升。

1. # 推荐写法。代码耗时：20.6秒
2. import math
4. def main():  # 定义到函数中，以减少全部变量使用
5.     size = 10000
6.     for x in range(size):
7.         for y in range(size):
8.             z = math.sqrt(x) + math.sqrt(y)
10. main()

2. 避免.

2.1 避免模块和函数属性访问

1. # 不推荐写法。代码耗时：14.5秒
2. import math
4. def computeSqrt(size: int):
5.     result = []
6.     for i in range(size):
7.         result.append(math.sqrt(i))
8.     return result
10. def main():
11.     size = 10000
12.     for _ in range(size):
13.         result = computeSqrt(size)
15. main()

每次使用.（属性访问操作符时）会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销。通过from import语句，可以消除属性访问。

1. # *次优化写法。代码耗时：10.9秒
2. from math import sqrt
4. def computeSqrt(size: int):
5.     result = []
6.     for i in range(size):
7.         result.append(sqrt(i))  # 避免math.sqrt的使用
8.     return result
10. def main():
11.     size = 10000
12.     for _ in range(size):
13.         result = computeSqrt(size)
15. main()

在第 1 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行。

1. # 第二次优化写法。代码耗时：9.9秒
2. import math
4. def computeSqrt(size: int):
5.     result = []
6.     sqrt = math.sqrt  # 赋值给局部变量
7.     for i in range(size):
8.         result.append(sqrt(i))  # 避免math.sqrt的使用
9.     return result
11. def main():
12.     size = 10000
13.     for _ in range(size):
14.         result = computeSqrt(size)
16. main()

除了math.sqrt外，computeSqrt函数中还有.的存在，那就是调用list的append方法。通过将该方法赋值给一个局部变量，可以彻底消除computeSqrt函数中for循环内部的.使用。

1. # 推荐写法。代码耗时：7.9秒
2. import math
4. def computeSqrt(size: int):
5.     result = []
6.     append = result.append
7.     sqrt = math.sqrt    # 赋值给局部变量
8.     for i in range(size):
9.         append(sqrt(i))  # 避免 result.append 和 math.sqrt 的使用
10.     return result
12. def main():
13.     size = 10000
14.     for _ in range(size):
15.         result = computeSqrt(size)
17. main()

2.2 避免类内属性访问

1. # 不推荐写法。代码耗时：10.4秒
2. import math
3. from typing import List
5. class DemoClass:
6.     def __init__(self, value: int):
7.         self._value = value
9.     def computeSqrt(self, size: int) -> List[float]:
10.         result = []
11.         append = result.append
12.         sqrt = math.sqrt
13.         for _ in range(size):
14.             append(sqrt(self._value))
15.         return result
17. def main():
18.     size = 10000
19.     for _ in range(size):
20.         demo_instance = DemoClass(size)
21.         result = demo_instance.computeSqrt(size)
23. main()

避免.的原则也适用于类内属性，访问self._value的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度。

1. # 推荐写法。代码耗时：8.0秒
2. import math
3. from typing import List
5. class DemoClass:
6.     def __init__(self, value: int):
7.         self._value = value
9.     def computeSqrt(self, size: int) -> List[float]:
10.         result = []
11.         append = result.append
12.         sqrt = math.sqrt
13.         value = self._value
14.         for _ in range(size):
15.             append(sqrt(value))  # 避免 self._value 的使用
16.         return result
18. def main():
19.     size = 10000
20.     for _ in range(size):
21.         demo_instance = DemoClass(size)
22.         demo_instance.computeSqrt(size)
24. main()

3. 避免不必要的抽象

1. # 不推荐写法，代码耗时：0.55秒
2. class DemoClass:
3.     def __init__(self, value: int):
4.         self.value = value
6.     @property
7.     def value(self) -> int:
8.         return self._value
10.     @value.setter
11.     def value(self, x: int):
12.         self._value = x
14. def main():
15.     size = 1000000
16.     for i in range(size):
17.         demo_instance = DemoClass(size)
18.         value = demo_instance.value
19.         demo_instance.value = i
21. main()

任何时候当你使用额外的处理层（比如装饰器、属性访问、描述器）去包装代码时，都会让代码变慢。大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用getter/setter函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格。如果真的没有必要，就使用简单属性。

1. # 推荐写法，代码耗时：0.33秒
2. class DemoClass:
3.     def __init__(self, value: int):
4.         self.value = value  # 避免不必要的属性访问器
6. def main():
7.     size = 1000000
8.     for i in range(size):
9.         demo_instance = DemoClass(size)
10.         value = demo_instance.value
11.         demo_instance.value = i
13. main()

4. 避免数据复制

4.1 避免无意义的数据复制

1. # 不推荐写法，代码耗时：6.5秒
2. def main():
3.     size = 10000
4.     for _ in range(size):
5.         value = range(size)
6.         value_list = [x for x in value]
7.         square_list = [x * x for x in value_list]
9. main()

上面的代码中value_list完全没有必要，这会创建不必要的数据结构或复制。

1. # 推荐写法，代码耗时：4.8秒
2. def main():
3.     size = 10000
4.     for _ in range(size):
5.         value = range(size)
6.         square_list = [x * x for x in value]  # 避免无意义的复制
8. main()

另外一种情况是对 Python 的数据共享机制过于偏执，并没有很好地理解或信任 Python 的内存模型，滥用 copy.deepcopy()之类的函数。通常在这些代码中是可以去掉复制操作的。

4.2 交换值时不使用中间变量

1. # 不推荐写法，代码耗时：0.07秒
2. def main():
3.     size = 1000000
4.     for _ in range(size):
5.         a = 3
6.         b = 5
7.         temp = a
8.         a = b
9.         b = temp
11. main()

上面的代码在交换值时创建了一个临时变量temp，如果不借助中间变量，代码更为简洁、且运行速度更快。

1. # 推荐写法，代码耗时：0.06秒
2. def main():
3.     size = 1000000
4.     for _ in range(size):
5.         a = 3
6.         b = 5
7.         a, b = b, a  # 不借助中间变量
9. main()

4.3 字符串拼接用join而不是+

1. # 不推荐写法，代码耗时：2.6秒
2. import string
3. from typing import List
5. def concatString(string_list: List[str]) -> str:
6.     result = ”
7.     for str_i in string_list:
8.         result += str_i
9.     return result
11. def main():
12.     string_list = list(string.ascii_letters * 100)
13.     for _ in range(10000):
14.         result = concatString(string_list)
16. main()

当使用a + b拼接字符串时，由于 Python 中字符串是不可变对象，其会申请一块内存空间，将a和b分别复制到该新申请的内存空间中。因此，如果要拼接 n 个字符串，会产生 n-1 个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。而使用join()拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去。

1. # 推荐写法，代码耗时：0.3秒
2. import string
3. from typing import List
5. def concatString(string_list: List[str]) -> str:
6.     return ”.join(string_list)  # 使用 join 而不是 +
8. def main():
9.     string_list = list(string.ascii_letters * 100)
10.     for _ in range(10000):
11.         result = concatString(string_list)
13. main()

5. 利用if条件的短路特性

1. # 不推荐写法，代码耗时：0.05秒
2. from typing import List
4. def concatString(string_list: List[str]) -> str:
5.     abbreviations = {‘cf.’, ‘e.g.’, ‘ex.’, ‘etc.’, ‘flg.’, ‘i.e.’, ‘Mr.’, ‘vs.’}
6.     abbr_count = 0
7.     result = ”
8.     for str_i in string_list:
9.         if str_i in abbreviations:
10.             result += str_i
11.     return result
13. def main():
14.     for _ in range(10000):
15.         string_list = [‘Mr.’, ‘Hat’, ‘is’, ‘Chasing’, ‘the’, ‘black’, ‘cat’, ‘.’]
16.         result = concatString(string_list)
18. main()

if 条件的短路特性是指对if a and b这样的语句， 当a为False时将直接返回，不再计算b；对于if a or b这样的语句，当a为True时将直接返回，不再计算b。因此， 为了节约运行时间，对于or语句，应该将值为True可能性比较高的变量写在or前，而and应该推后。

1. # 推荐写法，代码耗时：0.03秒
2. from typing import List
4. def concatString(string_list: List[str]) -> str:
5.     abbreviations = {‘cf.’, ‘e.g.’, ‘ex.’, ‘etc.’, ‘flg.’, ‘i.e.’, ‘Mr.’, ‘vs.’}
6.     abbr_count = 0
7.     result = ”
8.     for str_i in string_list:
9.         if str_i[-1] == ‘.’ and str_i in abbreviations:  # 利用 if 条件的短路特性
10.             result += str_i
11.     return result
13. def main():
14.     for _ in range(10000):
15.         string_list = [‘Mr.’, ‘Hat’, ‘is’, ‘Chasing’, ‘the’, ‘black’, ‘cat’, ‘.’]
16.         result = concatString(string_list)
18. main()

6. 循环优化

6.1 用for循环代替while循环

1. # 不推荐写法。代码耗时：6.7秒
2. def computeSum(size: int) -> int:
3.     sum_ = 0
4.     i = 0
5.     while i < size:
6.         sum_ += i
7.         i += 1
8.     return sum_
10. def main():
11.     size = 10000
12.     for _ in range(size):
13.         sum_ = computeSum(size)
15. main()

Python 的for循环比while循环快不少。

1. # 推荐写法。代码耗时：4.3秒
2. def computeSum(size: int) -> int:
3.     sum_ = 0
4.     for i in range(size):  # for 循环代替 while 循环
5.         sum_ += i
6.     return sum_
8. def main():
9.     size = 10000
10.     for _ in range(size):
11.         sum_ = computeSum(size)
13. main()

6.2 使用隐式for循环代替显式for循环

针对上面的例子，更进一步可以用隐式for循环来替代显式for循环

1. # 推荐写法。代码耗时：1.7秒
2. def computeSum(size: int) -> int:
3.     return sum(range(size))  # 隐式 for 循环代替显式 for 循环
5. def main():
6.     size = 10000
7.     for _ in range(size):
8.         sum = computeSum(size)
10. main()

6.3 减少内层for循环的计算

1. # 不推荐写法。代码耗时：12.8秒
2. import math
4. def main():
5.     size = 10000
6.     sqrt = math.sqrt
7.     for x in range(size):
8.         for y in range(size):
9.             z = sqrt(x) + sqrt(y)
11. main()

上面的代码中sqrt(x)位于内侧for循环， 每次训练过程中都会重新计算一次，增加了时间开销。

1. # 推荐写法。代码耗时：7.0秒
2. import math
4. def main():
5.     size = 10000
6.     sqrt = math.sqrt
7.     for x in range(size):
8.         sqrt_x = sqrt(x)  # 减少内层 for 循环的计算
9.         for y in range(size):
10.             z = sqrt_x + sqrt(y)
12. main()

7. 使用numba.jit

我们沿用上面介绍过的例子，在此基础上使用numba.jit。numba可以将 Python 函数 JIT 编译为机器码执行，大大提高代码运行速度。关于numba的更多信息见下面的主页：http://numba.pydata.org/numba.pydata.org

1. # 推荐写法。代码耗时：0.62秒
2. import numba
4. @numba.jit
5. def computeSum(size: float) -> int:
6.     sum = 0
7.     for i in range(size):
8.         sum += i
9.     return sum
11. def main():
12.     size = 10000
13.     for _ in range(size):
14.         sum = computeSum(size)
16. main()

8. 选择合适的数据结构

Python 内置的数据结构如str, tuple, list, set, dict底层都是 C 实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。

list类似于 C++ 中的std::vector，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之后销毁之前的内存空间，再插入新元素。

删除元素时操作类似，当已使用内存空间比预分配内存空间的一半还少时，会另外申请一块小内存，做一次元素复制，之后销毁原有大内存空间。

因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率不高。此时，应该考虑使用collections.deque。collections.deque是双端队列，同时具备栈和队列的特性，能够在两端进行 O(1) 复杂度的插入和删除操作。

list的查找操作也非常耗时。当需要在list频繁查找某些元素，或频繁有序访问这些元素时，可以使用bisect维护list对象有序并在其中进行二分查找，提升查找的效率。

另外一个常见需求是查找*小值或*大值，此时可以使用heapq模块将list转化为一个堆，使得获取*小值的时间复杂度是 O(1)。

下面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度：https://wiki.python.org/moin/TimeComplexity

参考资料

• David Beazley & Brian K. Jones. Python Cookbook, Third edition. O’Reilly Media, ISBN: 9781449340377, 2013.
• 张颖 & 赖勇浩. 编写高质量代码：改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.