本篇內容介紹了“怎么讓Python程序快一點運行”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

創新互聯建站于2013年開始，先為麗水等服務建站，麗水等地企業，進行企業商務咨詢服務。為麗水企業網站制作PC+手機+微官網三網同步一站式服務解決您的所有建站問題。

Python性能調試

要進行Python性能，前提條件是要找出程序中的性能瓶頸。找出程序中影響程序性能的代碼。有經驗的開發者一般都能很容易能找出程序的瓶頸，但對于普通碼農找出系統的問題代碼則很難，為了能快捷有效的發現程序的性能瓶頸就需要進行性能調試，此處我們以一個實際例子進行介紹，以下程序是計算e的x(1..n)次的冪，其代碼如下：

# 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)))

最簡單的調試

最簡單且實用的調試性能調試的方法是使用Linux的time命令，time可以計算程序執行的時間：

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

計算前兩個數的(150，400)很快，而第三個大一點時會很慢，總共要15秒多才算完，是有點卡頓(慢)。

time雖然很便捷有用，但是不能給我們詳細的代碼性能細節。

詳細性能分析cProfile

性能分析另一個常用的方法是使用cProfile，它可以提供很多性能信息

python3 -m cProfile -s time performance.py

例子中，我們使用了cProfile模塊和time參數運行測試腳本，以便按內部時間(cumtime)對行進行排序。如上圖所示，使用cProfile可以給很多內部的具體信息，通過我們可以知道主要耗時是由exp函數導致。知道了程序的性能瓶頸所在，我們就再說明Python性能分析和優化。

優化特定功能

知道了將性能的瓶頸所在(實例中是exp函數)，我們為了進一步具體問題具體分析，我們使用一個簡單裝飾器，以便跳過其他代碼，專門分析性能瓶頸所設計的函數。然后使用裝飾器進行測試，具體代碼如下：

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

我們用這個裝飾器來測試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))

結果：

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

代碼中，我們用到了time包提供time.perf_counter函數，它還提供了另外一個函數time.process_time。兩者的區別在于perf_counter返回的絕對時間，包括Python程序進程未運行時的時間，它可能會受到計算機負載的影響。而process_time僅返回用戶時間(不包括系統時間)，這僅是程序過程時間。

性能優化

最后是Python程序的性能優化，為了讓Python程序運行得更快，我們提供一些可供參考的性能優化構想和策略的，通過這些策略我們一半可以提高應用的運行速度，最高情況下可以讓你的應用快30%。

使用內建數據類型

很明顯，內建數據類型非常快，尤其是與自定義類型相比，比如樹或者鏈表。因為內建程序是用C實現的，所以其性能優勢是Python代碼所無法比擬的。

使用lru_cache緩存/記憶

很多時候緩存非常有效，可以極大的提高性能，尤其在數值計算和涉及大量重復調用(遞歸)時。考慮一個例子：

上面的函數使用time.sleep(2)模擬一個耗時的代碼。第一次使用參數1調用時，它將等待2秒，然后返回結果。再次調用時，由于結果已被緩存，將跳過函數的執行，直返回。用3調用時候由于參數不一樣會耗時2秒，總體耗時應該為4s，我們用time  驗證:

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

這和我們設想的一致。

使用局部變量

基于變量作用域中查找速度相關，在函數的局部變量具有很高的速度。其次是類級屬性(如self.name)和最慢的是全局變量，如time.time(最慢)。所以我們可以通過避免使用不必要的全局變量來提高性能。

使用函數

這似乎有點出乎意料，因為涉及函數的內存占用都在堆棧上，而函數返回也會有開銷。但是使用函數，可以避免使用全局變量，可以提高性能。因此，可以通過將整個代碼包裝在main函數中只調用一次來加速代碼。

避免使用屬性

另一個可以是影響程序性能的操作是點運算符訪問對象屬性。點運算符使用__getattribute__觸發會字典查找，會在代碼中產生額外的開銷。我們可以通過一些使用函數而不是類方法的方式避免點操作，比如下面例子

#慢代碼:

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

#快代碼

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

使用f-string

在循環中使用格式符(%s)或.format()時，字符串操作可能會變得非常緩慢。為了進行性能優化，我們應該使用f-string。它是Python  3.6引入的很具可讀性，簡潔性和最快的方法。比如：

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

“怎么讓Python程序快一點運行”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注創新互聯網站，小編將為大家輸出更多高質量的實用文章！

分享文章：怎么讓Python程序快一點運行
標題路徑：http://m.newbst.com/article20/gpjdjo.html

成都網站建設公司_創新互聯，為您提供網站營銷、全網營銷推廣、標簽優化、網站內鏈、定制網站、App設計

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯