優(yōu)化算法時(shí)間復(fù)雜度

算法的時(shí)間復(fù)雜度對(duì)程序的執(zhí)行效率影響最大，在Python中可以通過(guò)選擇合適的數(shù)據(jù)結(jié)構(gòu)來(lái)優(yōu)化時(shí)間復(fù)雜度，如list和set查找某一個(gè)元素的時(shí)間復(fù)雜度分別是O(n)和O(1)。不同的場(chǎng)景有不同的優(yōu)化方式，總得來(lái)說(shuō)，一般有分治，分支界限，貪心，動(dòng)態(tài)規(guī)劃等思想。

減少冗余數(shù)據(jù)

如用上三角或下三角的方式去保存一個(gè)大的對(duì)稱矩陣。在0元素占大多數(shù)的矩陣?yán)锸褂孟∈杈仃嚤硎尽?

合理使用copy與deepcopy

對(duì)于dict和list等數(shù)據(jù)結(jié)構(gòu)的對(duì)象，直接賦值使用的是引用的方式。而有些情況下需要復(fù)制整個(gè)對(duì)象，這時(shí)可以使用copy包里的copy和deepcopy，這兩個(gè)函數(shù)的不同之處在于后者是遞歸復(fù)制的。效率也不一樣：（以下程序在ipython中運(yùn)行）

          
import copy
a = range(100000)
%timeit -n 10 copy.copy(a) # 運(yùn)行10次 copy.copy(a)
%timeit -n 10 copy.deepcopy(a)
10 loops, best of 3: 1.55 ms per loop
10 loops, best of 3: 151 ms per loop

        

timeit后面的-n表示運(yùn)行的次數(shù)，后兩行對(duì)應(yīng)的是兩個(gè)timeit的輸出，下同。由此可見(jiàn)后者慢一個(gè)數(shù)量級(jí)。

使用dict或set查找元素

python dict和set都是使用hash表來(lái)實(shí)現(xiàn)(類似c++11標(biāo)準(zhǔn)庫(kù)中unordered_map)，查找元素的時(shí)間復(fù)雜度是O(1)

          
a = range(1000)
s = set(a)
d = dict((i,1) for i in a)
%timeit -n 10000 100 in d
%timeit -n 10000 100 in s
10000 loops, best of 3: 43.5 ns per loop
10000 loops, best of 3: 49.6 ns per loop

        

dict 的效率略高(占用的空間也多一些)。

合理使用生成器（generator）和yield

          
%timeit -n 100 a = (i for i in range(100000))
%timeit -n 100 b = [i for i in range(100000)]
100 loops, best of 3: 1.54 ms per loop
100 loops, best of 3: 4.56 ms per loop

        

使用 () 得到的是一個(gè)generator對(duì)象，所需要的內(nèi)存空間與列表的大小無(wú)關(guān)，所以效率會(huì)高一些。在具體應(yīng)用上，比如set(i for i in range(100000))會(huì)比set([i for i in range(100000)])快。

但是對(duì)于需要循環(huán)遍歷的情況：

          
%timeit -n 10 for x in (i for i in range(100000)): pass
%timeit -n 10 for x in [i for i in range(100000)]: pass
10 loops, best of 3: 6.51 ms per loop
10 loops, best of 3: 5.54 ms per loop

        

后者的效率反而更高，但是如果循環(huán)里有break,用generator的好處是顯而易見(jiàn)的。 yield 也是用于創(chuàng)建generator：

          
def yield_func(ls):
 for i in ls:
 yield i+1

def not_yield_func(ls):
 return [i+1 for i in ls]

ls = range(1000000)
%timeit -n 10 for i in yield_func(ls):pass
%timeit -n 10 for i in not_yield_func(ls):pass
10 loops, best of 3: 63.8 ms per loop
10 loops, best of 3: 62.9 ms per loop

        

對(duì)于內(nèi)存不是非常大的list，可以直接返回一個(gè)list，但是可讀性 yield 更佳(人個(gè)喜好)。

python2.x內(nèi)置generator功能的有xrange函數(shù)、itertools包等。

優(yōu)化循環(huán)

循環(huán)之外能做的事不要放在循環(huán)內(nèi)，比如下面的優(yōu)化可以快一倍：

          
a = range(10000)
size_a = len(a)
%timeit -n 1000 for i in a: k = len(a)
%timeit -n 1000 for i in a: k = size_a
1000 loops, best of 3: 569 μs per loop
1000 loops, best of 3: 256 μs per loop

        

優(yōu)化包含多個(gè)判斷表達(dá)式的順序

對(duì)于and，應(yīng)該把滿足條件少的放在前面，對(duì)于or，把滿足條件多的放在前面。如：

          
a = range(2000) 
%timeit -n 100 [i for i in a if 10 < i < 20 or 1000 < i < 2000]
%timeit -n 100 [i for i in a if 1000 < i < 2000 or 100 < i < 20] 
%timeit -n 100 [i for i in a if i % 2 == 0 and i > 1900]
%timeit -n 100 [i for i in a if i > 1900 and i % 2 == 0]
100 loops, best of 3: 287 μs per loop
100 loops, best of 3: 214 μs per loop
100 loops, best of 3: 128 μs per loop
100 loops, best of 3: 56.1 μs per loop

        

使用join合并迭代器中的字符串

          
In [1]: %%timeit
 ...: s = ''
 ...: for i in a:
 ...:  s += i
 ...:
10000 loops, best of 3: 59.8 μs per loop

In [2]: %%timeit
s = ''.join(a)
 ...:
100000 loops, best of 3: 11.8 μs per loop

        

join 對(duì)于累加的方式，有大約5倍的提升。

選擇合適的格式化字符方式

          
s1, s2 = 'ax', 'bx'
%timeit -n 100000 'abc%s%s' % (s1, s2)
%timeit -n 100000 'abc{0}{1}'.format(s1, s2)
%timeit -n 100000 'abc' + s1 + s2
100000 loops, best of 3: 183 ns per loop
100000 loops, best of 3: 169 ns per loop
100000 loops, best of 3: 103 ns per loop

        

三種情況中， % 的方式是最慢的，但是三者的差距并不大（都非常快）。(個(gè)人覺(jué)得 % 的可讀性最好)

不借助中間變量交換兩個(gè)變量的值

          
In [3]: %%timeit -n 10000
 a,b=1,2
 ....: c=a;a=b;b=c;
 ....:
10000 loops, best of 3: 172 ns per loop

In [4]: %%timeit -n 10000
a,b=1,2
a,b=b,a
 ....:
10000 loops, best of 3: 86 ns per loop

        

使用 a,b=b,a 而不是 c=a;a=b;b=c; 來(lái)交換a,b的值，可以快1倍以上。

使用 if is

          
a = range(10000)
%timeit -n 100 [i for i in a if i == True]
%timeit -n 100 [i for i in a if i is True]
100 loops, best of 3: 531 μs per loop
100 loops, best of 3: 362 μs per loop

        

使用 if is True 比 if == True 將近快一倍。

使用級(jí)聯(lián)比較 x < y < z

          
x, y, z = 1,2,3
%timeit -n 1000000 if x < y < z:pass
%timeit -n 1000000 if x < y and y < z:pass
1000000 loops, best of 3: 101 ns per loop
1000000 loops, best of 3: 121 ns per loop

        

x < y < z 效率略高，而且可讀性更好。

while 1 比 while True 更快

          
def while_1():
 n = 100000
 while 1:
 n -= 1
 if n <= 0: break
def while_true():
 n = 100000
 while True:
 n -= 1
 if n <= 0: break 

m, n = 1000000, 1000000 
%timeit -n 100 while_1()
%timeit -n 100 while_true()
100 loops, best of 3: 3.69 ms per loop
100 loops, best of 3: 5.61 ms per loop

        

while 1 比 while true快很多，原因是在python2.x中，True是一個(gè)全局變量，而非關(guān)鍵字。

使用 ** 而不是pow

          
%timeit -n 10000 c = pow(2,20)
%timeit -n 10000 c = 2**20
10000 loops, best of 3: 284 ns per loop
10000 loops, best of 3: 16.9 ns per loop

        

** 就是快10倍以上！

使用 cProfile, cStringIO 和 cPickle等用c實(shí)現(xiàn)相同功能（分別對(duì)應(yīng)profile, StringIO, pickle）的包

          
import cPickle
import pickle
a = range(10000)
%timeit -n 100 x = cPickle.dumps(a)
%timeit -n 100 x = pickle.dumps(a)
100 loops, best of 3: 1.58 ms per loop
100 loops, best of 3: 17 ms per loop

        

由c實(shí)現(xiàn)的包，速度快10倍以上！

使用最佳的反序列化方式

下面比較了eval, cPickle, json方式三種對(duì)相應(yīng)字符串反序列化的效率：

          
import json
import cPickle
a = range(10000)
s1 = str(a)
s2 = cPickle.dumps(a)
s3 = json.dumps(a)
%timeit -n 100 x = eval(s1)
%timeit -n 100 x = cPickle.loads(s2)
%timeit -n 100 x = json.loads(s3)
100 loops, best of 3: 16.8 ms per loop
100 loops, best of 3: 2.02 ms per loop
100 loops, best of 3: 798 μs per loop

        

可見(jiàn)json比cPickle快近3倍，比eval快20多倍。

使用C擴(kuò)展(Extension)

目前主要有CPython(python最常見(jiàn)的實(shí)現(xiàn)的方式)原生API, ctypes,Cython，cffi三種方式，它們的作用是使得Python程序可以調(diào)用由C編譯成的動(dòng)態(tài)鏈接庫(kù)，其特點(diǎn)分別是：

CPython原生API : 通過(guò)引入 Python.h 頭文件，對(duì)應(yīng)的C程序中可以直接使用Python的數(shù)據(jù)結(jié)構(gòu)。實(shí)現(xiàn)過(guò)程相對(duì)繁瑣，但是有比較大的適用范圍。

ctypes : 通常用于封裝(wrap)C程序，讓純Python程序調(diào)用動(dòng)態(tài)鏈接庫(kù)（Windows中的dll或Unix中的so文件）中的函數(shù)。如果想要在python中使用已經(jīng)有C類庫(kù)，使用ctypes是很好的選擇，有一些基準(zhǔn)測(cè)試下，python2+ctypes是性能最好的方式。

Cython : Cython是CPython的超集，用于簡(jiǎn)化編寫(xiě)C擴(kuò)展的過(guò)程。Cython的優(yōu)點(diǎn)是語(yǔ)法簡(jiǎn)潔，可以很好地兼容numpy等包含大量C擴(kuò)展的庫(kù)。Cython的使得場(chǎng)景一般是針對(duì)項(xiàng)目中某個(gè)算法或過(guò)程的優(yōu)化。在某些測(cè)試中，可以有幾百倍的性能提升。

cffi : cffi的就是ctypes在pypy（詳見(jiàn)下文）中的實(shí)現(xiàn)，同進(jìn)也兼容CPython。cffi提供了在python使用C類庫(kù)的方式，可以直接在python代碼中編寫(xiě)C代碼，同時(shí)支持鏈接到已有的C類庫(kù)。

使用這些優(yōu)化方式一般是針對(duì)已有項(xiàng)目性能瓶頸模塊的優(yōu)化，可以在少量改動(dòng)原有項(xiàng)目的情況下大幅度地提高整個(gè)程序的運(yùn)行效率。

并行編程

因?yàn)镚IL的存在，Python很難充分利用多核CPU的優(yōu)勢(shì)。但是，可以通過(guò)內(nèi)置的模塊multiprocessing實(shí)現(xiàn)下面幾種并行模式：

多進(jìn)程 ：對(duì)于CPU密集型的程序，可以使用multiprocessing的Process,Pool等封裝好的類，通過(guò)多進(jìn)程的方式實(shí)現(xiàn)并行計(jì)算。但是因?yàn)檫M(jìn)程中的通信成本比較大，對(duì)于進(jìn)程之間需要大量數(shù)據(jù)交互的程序效率未必有大的提高。

多線程 ：對(duì)于IO密集型的程序，multiprocessing.dummy模塊使用multiprocessing的接口封裝threading，使得多線程編程也變得非常輕松(比如可以使用Pool的map接口，簡(jiǎn)潔高效)。

分布式 ：multiprocessing中的Managers類提供了可以在不同進(jìn)程之共享數(shù)據(jù)的方式，可以在此基礎(chǔ)上開(kāi)發(fā)出分布式的程序。

不同的業(yè)務(wù)場(chǎng)景可以選擇其中的一種或幾種的組合實(shí)現(xiàn)程序性能的優(yōu)化。

終級(jí)大殺器：PyPy

PyPy是用RPython(CPython的子集)實(shí)現(xiàn)的Python，根據(jù)官網(wǎng)的基準(zhǔn)測(cè)試數(shù)據(jù)，它比CPython實(shí)現(xiàn)的Python要快6倍以上。快的原因是使用了Just-in-Time(JIT)編譯器，即動(dòng)態(tài)編譯器，與靜態(tài)編譯器(如gcc,javac等)不同，它是利用程序運(yùn)行的過(guò)程的數(shù)據(jù)進(jìn)行優(yōu)化。由于歷史原因，目前pypy中還保留著GIL，不過(guò)正在進(jìn)行的STM項(xiàng)目試圖將PyPy變成沒(méi)有GIL的Python。

如果python程序中含有C擴(kuò)展(非cffi的方式)，JIT的優(yōu)化效果會(huì)大打折扣，甚至比CPython慢（比Numpy）。所以在PyPy中最好用純Python或使用cffi擴(kuò)展。

隨著STM，Numpy等項(xiàng)目的完善，相信PyPy將會(huì)替代CPython。

使用性能分析工具

除了上面在ipython使用到的timeit模塊，還有cProfile。cProfile的使用方式也非常簡(jiǎn)單： python -m cProfile filename.py ， filename.py 是要運(yùn)行程序的文件名，可以在標(biāo)準(zhǔn)輸出中看到每一個(gè)函數(shù)被調(diào)用的次數(shù)和運(yùn)行的時(shí)間，從而找到程序的性能瓶頸，然后可以有針對(duì)性地優(yōu)化。

參考

[1] http://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/

[2] http://maxburstein.com/blog/speeding-up-your-python-code/

原文：http://segmentfault.com/blog/defool/1190000000666603