Python编程速度技巧


1. Python编程速度技巧
1.1. 最常见

    一个最常见的速度陷坑(至少是俺在没看到网上这篇介绍时陷进去

过好些次的) 是: 许多短字串并成长字串时, 大家通常会用:
Toggle line numbers
    1 shortStrs = [ str0, str1, ..., strN]
   2 #N+1个字串所组成的数列
   3 longStr = ''
   4 for s in shortStrs: longStr += s
因为Python里字串是不可变的, 所以每次 longStr += s 都是将原 来的 longStr 与 str 拷贝成一个新字串, 再赋给longStr. 随着 longStr的不断增长, 所要拷贝的内容越来越长. 最后导至str0被 拷贝N+1次, str1是N次, ... .
那咋办呢 ? 咱们来看看Skip Montanaro先生的解说:
http://musi-cal.mojam.com/~skip/python/fastpython.html
及可参考一下Guido van Rossum本人的:
http://www.python.org/doc/essays/list2str.html

1.1.1. 找出速度瓶颈

  • 1)首先在大家应先学会怎么去找出速度瓶颈: Python自带有profile

模块:
Toggle line numbers
    1 import profile
   2 profile.run ('想要检查的函数名()')
就会打印出那个函数里调用了几次其它函数, 各用了多少时间, 总共用了多少时间等信息 --- Nice ? 详请参阅>中的 profile模块的论述.
当然脑袋笨一点或是聪明一点的, 也可以用time模块中的time() 来显示系统时间, 减去上次的time()就是与它的间隔秒数了.
1.1.2. 字串相并

  • 就头上的例子而言, 用 :

Toggle line numbers
    1 longStr =''.join(shortStrs)
立马搞定,

但如果shortStrs里面不都是字串, 而包含了些数 字呢 ? 直接用join就会出错. 不怕, 这样来:
Toggle line numbers
    1 shortStrs = [str(s) for s in shortStrs]
   2 longStr = ''.join(shortStrs)
也即先将数列中所有内容都转化为字串, 再用join.
对少数几个字串相并, 应避免用: all = str0 + str1 + str2 + str3 而用: all = '%s%s%s%s' % (str0, str1, str2, str3)
1.1.3. 数列排序

  • list.sort ()

你可以按特定的函数来: list.sort( 函数 ), 只要这个函数接受 两参数, 并按特定规则返回1, 0, -1就可以. --- 很方便吧? 但 会大大减慢运行速度. 下面的方法, 俺举例子来说明可能更容易 明白.
比方说你的数列是 l = ['az', 'by'], 你想以第二个字母来排序. 先取出你的关键词, 并与每个字串组成一个元组: new = map (lambda s: (s[1], s), l )
于是new变成[('z', 'az'), ('y', 'by')], 再把new排一下序: new.sort()
则new就变成 [('y', 'by'), ('z', 'az')], 再返回每个元组中 的第二个字串: sorted = map (lambda t: t[1], new)
于是sorted 就是: ['by', 'az']了. 这里的lambda与map用得很 好.


  • Python2.4以后, sort和sorted的使用可以参考这片 Wiki:
    HowToSort


1.1.4. 循环
比如for循环. 当循环体很简单时, 则循环的调用前头(overhead) 会显得很臃肿, 此时map又可以帮忙了. 比如你想把一个长数列 l=['a', 'b', ...]中的每个字串变成大写, 可能会用:
Toggle line numbers
    1 import string
   2 newL = []
   3 for s in l: newL.append( string.upper(s) )
用map就可以省去for循环的前头:
Toggle line numbers
    1 import string
   2 newL = map (string.upper, l)
Guido的文章讲得很详细.
1.1.5. 局域变量 及 '.'
象上面, 若用 append = newL.append, 及换种import方法:
Toggle line numbers
    1 import string
   2 append = newL.append
   3 for s in l: append (string.upper(s))
会比在for中运行newL.append快一些, 为啥? 局域变量容易寻找.
俺自己就不比较时间了, Skip Montanaro的结果是:
基本循环: 3.47秒
去点用局域变量: 1.79秒
使用map: 0.54秒
1.1.6. try的使用
比如你想计算一个字串数列: l = ['I', 'You', 'Python', 'Perl', ...] 中每个词出现的次数, 你可能会:
Toggle line numbers
    1 count = {}
   2 for s in l:
   3     if not count.has_key(s): count[s] = 0
   4     else: count[s] += 1
由于每次都得在count中寻找是否已有同名关键词, 会很费时间. 而用try:
Toggle line numbers
    1 count ={}
   2 for s in l:
   3     try: count[s] += 1
   4     except KeyError: count[s] = 0
就好得多. 当然若经常出现例外时, 就不要用try了.
1.1.7. import语句
这好理解. 就是避免在函数定义中来import一个模块, 应全在 全局块中来import
1.1.8. 大量数据处理
由于Python中的函数调用前头(overhead)比较重, 所以处理大量 数据时, 应:
Toggle line numbers
    1 def f():
   2 for d in hugeData: ...
   3 f()
而不要:
Toggle line numbers
    1 def f(d): ...
   2 for d in hugeData: f(d)
这点好象对其它语言也适用, 差不多是放之四海而皆准, 不过对 解释性语言就更重要了.
1.1.9. 减少周期性检查
这是Python的本征功能: 周期性检查有没有其它绪(thread)或系 统信号(signal)等要处理.
可以用sys模块中的setcheckinterval 来设置每次检查的时间间隔.
缺省是10, 即每10个虚拟指令 (virtual instruction)检查一次.
当你不用绪并且也懒得搭理 系统信号时, 将检查周期设长会增加速度, 有时还会很显著.
---编/译完毕. 看来Python是易学难精了, 象围棋?
2. 我们自个儿的体悟
请有心得者分享!

  • 在“大量数据处理”小节里,是不是说,不要再循环体内部调用函数,应该把函数放到外面?从Python2.2开始,"找出速度瓶颈",已经可以使用hotshot模块了.据说对程序运行效率的影响要比profile小. -- jacobfan
  • "由于Python中的函数调用前头(overhead)比较重, 所以处理大量 数据时, 应: " 这句译文中,overhead翻译成"前头"好象不妥.翻译成"由于Python中函数调用的开销比较大,..."要好些 -- jacobfan
  • 数组排序中讲的方法真的会快点吗? 真的快到我们值得放弃直接用sort得到得可读性吗?值得怀疑 -- hoxide
  • Python2.4以后 sort和sorted的使用更加灵活,link已经加到文中,我没有比较过效率。-yichun
  • 关于 “try的使用”:

其实setdefault方法就是为这个目的设的:
Toggle line numbers
    1 count = {}
   2 for s in l:
   3     count.setdefault(s, 0) += 1
这个其实能做更多。通常遇到的问题是要把类似的东西group起来,所以你可能想用:
Toggle line numbers
    1 count = {}
   2 for s in l:
   3     count.setdefault(s, []).append(s)
但是这样你只能把同样的东西hash起来,而不是一类东西。比如说你有一个dict构成的list叫sequence,需要按这些dict的某个key value分类,你还要对分类后的每个类别里面的这些dict各作一定的操作,你就需要用到Raymond实现的这个
groupby
,你就可以写:
totals = dict((key, group)
                  for key, group in groupby(sequence, lambda x: x.get('Age')))