石頭智能洗地機A10 Plus體驗：雙向自清潔治好了我的懶癌
一、前言和介紹專為家庭請假懶人而生的石頭科技在近日又帶來了自己的全新旗艦新品，石頭智能洗地機A10 Plus。從這個產品名上就不難看出，這次石頭推出的并不是常見的掃地機器
這種觀點在關于編程語言的討論中經常出現，經常掩蓋了Python的眾多優點。
事實是，如果能以Pythonic的方式編寫Python代碼，它是很快的。
細節決定成敗。經驗豐富的Python開發者掌握了一系列微妙而強大的技巧，可以顯著提高代碼的性能。
這些技巧乍看之下似乎微不足道，但它們可以帶來效率的大幅提升。讓我們深入了解其中的9種方法，改變編寫和優化Python代碼的方式。
如果有大量字符串等待處理，字符串連接將成為Python程序的瓶頸。
基本上，Python有兩種字符串連接的方式：
那么哪種方式更快呢？
現在，讓我們定義3個不同的函數來連接相同的字符串：
mylist = ["Yang", "Zhou", "is", "writing"]# 使用'+'def concat_plus(): result = "" for word in mylist: result += word + " " return result# 使用'join()'def concat_join(): return " ".join(mylist)# 直接連接而不使用列表def concat_directly(): return "Yang" + "Zhou" + "is" + "writing"根據你的第一印象，你認為哪個函數最快，哪個最慢？
真正的結果可能會讓你驚訝：
import timeitprint(timeit.timeit(concat_plus, number=10000))# 0.002738415962085128print(timeit.timeit(concat_join, number=10000))# 0.0008482920238748193print(timeit.timeit(concat_directly, number=10000))# 0.00021425005979835987如上所示，對于連接一組字符串，join()方法比在for循環中逐個添加字符串更快。
原因很簡單。一方面，字符串在Python中是不可變的數據，每次+=操作都會創建一個新字符串并復制舊字符串，這在計算上成本是昂貴的。
另一方面，.join()方法專門針對連接一系列字符串進行了優化。它會預先計算出所生成字符串的大小，然后一次性創建它。因此，它避免了循環中+=操作帶來的開銷，從而使速度更快。
然而，在我們的測試中，速度最快的函數是直接連接字符串文字。它的高速度是由于：
總之，如果需要連接一組字符串，請選擇join()而不是+=。如果想要直接連接字符串，只需使用+即可。
創建列表并不是很難的事情。常見的兩種方式是：
讓我們使用一個簡單的代碼片段來測試它們的性能：
import timeitprint(timeit.timeit('[]', number=10 ** 7))# 0.1368238340364769print(timeit.timeit(list, number=10 ** 7))# 0.2958830420393497結果顯示，執行list()函數比直接使用[]要慢。
這是因為[]是一種字面量語法，而list()是一個構造函數調用。調用函數無疑需要額外的時間。
從同樣的邏輯出發，在創建字典時，我們也應該使用{}而不是dict()。
成員測試操作的性能在很大程度上依賴于底層數據結構：
import timeitlarge_dataset = range(100000)search_element = 2077large_list = list(large_dataset)large_set = set(large_dataset)def list_membership_test(): return search_element in large_listdef set_membership_test(): return search_element in large_setprint(timeit.timeit(list_membership_test, number=1000))# 0.01112208398990333print(timeit.timeit(set_membership_test, number=1000))# 3.27499583363533e-05正如上述代碼所示，使用集合進行成員測試比使用列表更快。
為什么會這樣呢？
這里的關鍵在于：在編寫程序時要仔細考慮底層數據結構。正確利用合適的數據結構可以顯著加快代碼的運行速度。
Python中有四種推導式類型：列表推導式、字典推導式、集合推導式和生成器推導式。它們不僅為創建相對數據結構提供了更簡潔的語法，而且比使用for循環更高效，因為它們在Python的C實現中進行了優化。
import timeitdef generate_squares_for_loop(): squares = [] for i in range(1000): squares.append(i * i) return squaresdef generate_squares_comprehension(): return [i * i for i in range(1000)]print(timeit.timeit(generate_squares_for_loop, number=10000))# 0.2797503340989351print(timeit.timeit(generate_squares_comprehension, number=10000))# 0.2364629579242319上述代碼是列表推導式和for循環之間的簡單速度比較。結果顯示，列表推導式更快。
在Python中，訪問局部變量比訪問全局變量或對象的屬性更快。
以下是一個實例來證明這一點：
import timeitclass Example: def __init__(self): self.value = 0obj = Example()def test_dot_notation(): for _ in range(1000): obj.value += 1def test_local_variable(): value = obj.value for _ in range(1000): value += 1 obj.value = valueprint(timeit.timeit(test_dot_notation, number=1000))# 0.036605041939765215print(timeit.timeit(test_local_variable, number=1000))# 0.024470250005833805這就是Python的工作原理。直觀地說，當一個函數被編譯時，其中的局部變量是已知的，但其他外部變量需要時間來檢索。
這可能是一個小問題，但是當處理大量數據時，我們可以利用它來優化我們的代碼。
當工程師們說到Python時，默認情況下指的是CPython。因為CPython是Python語言的默認實現，也是使用最廣泛的實現。
鑒于它的大部分內置模塊和庫都是用C語言編寫的，而C語言是一種更快且更底層的語言，因此我們應該利用這些內置模塊和庫，避免重復勞動。
import timeitimport randomfrom collections import Counterdef count_frequency_custom(lst): frequency = {} for item in lst: if item in frequency: frequency[item] += 1 else: frequency[item] = 1 return frequencydef count_frequency_builtin(lst): return Counter(lst)large_list = [random.randint(0, 100) for _ in range(1000)]print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))# 0.005160166998393834print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))# 0.002444291952997446上面的程序比較了兩種統計列表中元素頻率的方法。可以看到，利用collections模塊中內置的Counter函數比自己編寫的for循環更快、更簡潔、更好。
緩存是一種常用的技術，用于避免重復計算并加快程序的運行速度。
幸運的是，在大多數情況下，我們不需要自己編寫緩存處理代碼，因為Python為此提供了一個開箱即用的裝飾器來實現這個目的——@functools.cache。
例如，下面的代碼將執行兩個生成斐波那契數的函數，一個有緩存裝飾器，而另一個沒有：
import timeitimport functoolsdef fibonacci(n): if n in (0, 1): return n return fibonacci(n - 1) + fibonacci(n - 2)@functools.cachedef fibonacci_cached(n): if n in (0, 1): return n return fibonacci_cached(n - 1) + fibonacci_cached(n - 2)# 測試每個函數的執行時間print(timeit.timeit(lambda: fibonacci(30), number=1))# 0.09499712497927248print(timeit.timeit(lambda: fibonacci_cached(30), number=1))# 6.458023563027382e-06結果證明了@functools.cache裝飾器是如何使我們的代碼變得更快的。
基本的fibonacci函數效率較低，因為在計算fibonacci(30)結果的過程中，它會多次重新計算相同的斐波那契數。
而使用緩存的版本要快得多，因為它緩存了之前的計算結果。因此，它只計算每個斐波那契數一次，并且對于相同的參數再次調用時會從緩存中獲取結果。
僅僅添加一個內置的裝飾器就可以帶來如此大的改進，這就是Pythonic的意義所在。
本文鏈接：http://www.www897cc.com/showinfo-26-68332-0.html掌握這九個技巧，讓Python代碼快如閃電
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
下一篇： 自動化測試的十大誤區，你知道哪個？
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號