在工作中,我们常常面临着代码提速优化问题,本文就为大家介绍几种Python常用的提速技巧。
优化原则:
1.先保证代码可以正确运行,再进行性能优化
2.优化的选择通常是牺牲空间换取时间,所有我们需要权衡代价
3.着重优化代码耗时的部分,通篇优化通常会降低代码的可读性
# 可监控程序运行时间
import time
def clock(func):
def wrapper(*args, **kwargs):
start_time = time.time()
result = func(*args, **kwargs)
end_time = time.time()
print("共耗时: %s秒" % round(end_time - start_time, 2))
return result
return wrapper
start_time = time.time()
size = 10000
for x in range(size):
for y in range(size):
z = x * y
end_time = time.time()
print('共耗时:%s秒' % round(end_time - start_time, 2))
# 共耗时:11.78秒,不推荐
# 使用局部变量
@clock
def multiplication():
size = 10000
for x in range(size):
for y in range(size):
z = x * y
multiplication()
# 共耗时: 5.5秒,提速50%
import math
@clock
def computeSqrt():
result = []
for i in range(10000000):
# math方法访问sqrt属性
result.append(math.sqrt(i))
computeSqrt()
# 不推荐,共耗时: 2.09秒
# 使用from X import X,直接访问sqrt
from math import sqrt
@clock
def computeSqrt():
result = []
for i in range(10000000):
result.append(sqrt(i))
computeSqrt()
# 推荐,共耗时: 1.75秒
在【1】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append
,通过将其改为局部变量可以加速运行。
from math import sqrt
@clock
def computeSqrt():
result = []
# 赋值给局部变量
append = result.append
for i in range(10000000):
append(sqrt(i))
computeSqrt()
# 推荐,共耗时: 1.45秒
# 使用while进行遍历
@clock
def circulate():
i = 0
li = []
append = li.append
while i < 10000000:
append(i*2)
i += 1
return li
circulate()
# 不推荐,共耗时:1.48秒
@clock
def circulate():
li = []
append = li.append
# 使用for代替while
for i in range(10000000):
append(i*2)
return li
circulate()
# for优于while,共耗时:1.09秒
@clock
def circulate():
# 使用列表推导式
return [i*2 for i in range(10000000)]
circulate()
# 推荐列表推导式,共耗时:0.88秒。但不适用于复杂计算。
from math import sqrt
@clock
def inner():
size = 10000
for x in range(size):
for y in range(size):
# 相当于在重复计算sqrt(x)
z = sqrt(x) + sqrt(y)
inner()
# 不推荐,共耗时:19.00秒
from math import sqrt
@clock
def inner():
size = 10000
for x in range(size):
# 只计算一次sqrt(x),然后将它存了起来
sqrt_x = sqrt(x)
for y in range(size):
z = sqrt_x + sqrt(y)
inner()
# 推荐,共耗时:10.22秒
因为Numpy底层是用C语言实现的,而Python这种脚本语言相比C/C++这种编译语言在效率和性能方面有天然劣势,所以我们可以引入Numpy包,对数据进行类型转换后再进行计算。
import numpy as np
li = [i for i in range(10000000)]
@clock
def npSpeed():
# 使用Python方法
sum(li)
npSpeed()
# 共耗时0.79秒
import numpy as np
li = np.array([i for i in range(100000000)])
@clock
def npSpeed():
# 使用Numpy方法
np.sum(li)
npSpeed()
# 共耗时0.11秒,速度约是Python的8倍
Numpy的优势在数据量越大时,体现的也会更加明显。所以在机器学习与深度学习项目任务中,Numpy的使用就非常频繁。
版权说明 : 本文为转载文章, 版权归原作者所有 版权申明
原文链接 : https://blog.csdn.net/weixin_38037405/article/details/121053187
内容来源于网络,如有侵权,请联系作者删除!