石頭自清潔掃拖機(jī)器人G10S評測：多年黑科技集大成之作 懶人終極福音
科技圈經(jīng)常能看到一個(gè)詞叫“縫合怪”，用來形容那些把好多功能或者外觀結(jié)合在一起的產(chǎn)品，通常這樣的詞是貶義詞，但如果真的是產(chǎn)品縫合的好、縫合的實(shí)用的話，那它就成了中性詞，今
Python是目前世界上增長最快的編程語言之一，深受全球開發(fā)者的喜愛。其簡單語法和豐富的庫使得在各個(gè)領(lǐng)域都能得到廣泛應(yīng)用，比如數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)、信號處理、數(shù)據(jù)可視化等。然而，Python在解決復(fù)雜問題時(shí)可能會顯得執(zhí)行速度較慢。因此，本文將探討一些優(yōu)化Python代碼的方法，以加速代碼運(yùn)行。
Python標(biāo)準(zhǔn)庫和第三方庫（如NumPy、Pandas等）中的函數(shù)通常是用C或Cython編寫的，運(yùn)行速度遠(yuǎn)超純Python代碼。為了加速Python代碼，可以盡量使用這些庫中的向量化操作代替Python原生循環(huán)，特別是在處理數(shù)組和矩陣運(yùn)算時(shí)。
舉個(gè)例子，計(jì)算Python列表中每個(gè)元素的平方。
import numpy as npimport time# 定義一個(gè)Python列表python_list = [1, 2, 3, 4, 5]# 使用純Python循環(huán)計(jì)算平方的時(shí)間測試def measure_time(function, argument): start_time = time.time() result = function(argument) end_time = time.time() return result, end_time - start_time# 定義純Python循環(huán)計(jì)算平方的函數(shù)def square_elements_python(lst): squared_lst = [] for num in lst: squared_lst.append(num ** 2) return squared_lst# 計(jì)算并輸出純Python循環(huán)方法執(zhí)行時(shí)間和結(jié)果python_squares, python_time = measure_time(square_elements_python, python_list)print(f"純Python循環(huán)方法: {python_squares}, Time taken: {python_time} seconds")# 轉(zhuǎn)換為NumPy數(shù)組并使用向量化操作start_time = time.time()numpy_array = np.array(python_list)numpy_squares = numpy_array ** 2end_time = time.time()# 輸出NumPy向量化操作執(zhí)行時(shí)間numpy_time = end_time - start_timeprint(f"NumPy向量化操作: {numpy_squares.tolist()}, Time taken: {numpy_time} seconds")輸出結(jié)果如下，由此可以看出NumPy的向量化操作在執(zhí)行速度上遠(yuǎn)超純Python循環(huán)法。這是因?yàn)镹umPy內(nèi)部對數(shù)組操作進(jìn)行了高度優(yōu)化，并利用C語言編寫的底層算法，極大地提高了處理效率。
純Python循環(huán)方法: [1, 4, 9, 16, 25], Time taken: 4.5299530029296875e-06 secondsNumPy向量化操作: [1, 4, 9, 16, 25], Time taken: 0.00020122528076171875 seconds可以使用Numba庫進(jìn)行即時(shí)（JIT）編譯，它可以將指定的Python函數(shù)轉(zhuǎn)換為高效機(jī)器碼，以提升執(zhí)行速度。尤其適用于數(shù)值計(jì)算密集型代碼。
例如下面的代碼，sum_array函數(shù)被裝飾器@jit(nopython=True)標(biāo)記后，Numba會對其進(jìn)行即時(shí)編譯，將其轉(zhuǎn)換為機(jī)器碼以提升計(jì)算密集型任務(wù)的執(zhí)行速度。
import numpy as npfrom numba import jit@jit(nopython=True)def sum_array(arr: np.ndarray) -> float: result = 0.0 for i in range(arr.shape[0]): result += arr[i] return resultarr = np.array([1.0, 2.0, 3.0, 4.0, 5.0])print(sum_array(arr))盡可能在原地修改對象，而不是創(chuàng)建新對象。例如，使用列表的extend()方法而非"+"操作符進(jìn)行合并，使用numpy數(shù)組的切片賦值而不是重新創(chuàng)建數(shù)組。例如：
# 避免：list1 = [1, 2, 3]list2 = [4, 5, 6]new_list = list1 + list2# 推薦：list1 = [1, 2, 3]list2 = [4, 5, 6]# 這里不會創(chuàng)建新的列表對象，而是直接在原地?cái)U(kuò)展list1list1.extend(list2)當(dāng)不需要一次性生成所有結(jié)果，而是逐個(gè)處理時(shí)，使用生成器表達(dá)式代替列表推導(dǎo)式可以節(jié)省內(nèi)存，因?yàn)樗粫⒓磩?chuàng)建完整列表。
例如假設(shè)有一個(gè)包含整數(shù)的列表，我們想要計(jì)算每個(gè)整數(shù)的平方并輸出結(jié)果。使用列表推導(dǎo)式的方法如下：
numbers = [1, 2, 3, 4, 5]squared_numbers = [num ** 2 for num in numbers]for squared_num in squared_numbers: print(squared_num)輸出結(jié)果為：
1491625但是，如果我們只需要逐個(gè)處理每個(gè)平方數(shù)，而不需要將它們存儲在內(nèi)存中，可以使用生成器表達(dá)式代替列表推導(dǎo)式：
numbers = [1, 2, 3, 4, 5]squared_numbers = (num ** 2 for num in numbers)for squared_num in squared_numbers: print(squared_num)輸出結(jié)果與之前相同，但是使用生成器表達(dá)式可以節(jié)省內(nèi)存，因?yàn)樗粫淮涡陨伤薪Y(jié)果，而是逐個(gè)生成。
對于CPU密集型任務(wù)，Python的多線程受GIL限制，但對于IO密集型任務(wù)或是使用多核CPU處理CPU密集型任務(wù)時(shí)，可以通過multiprocessing庫開啟多進(jìn)程來提升效率。
例如如下代碼定義了一個(gè)計(jì)算密集型函數(shù)cpu_bound_task，然后通過multiprocessing.Pool創(chuàng)建了與CPU核心數(shù)量相等的進(jìn)程池，并用pool.map()方法將輸入列表中的任務(wù)分配給這些進(jìn)程進(jìn)行并行處理。
這樣，每個(gè)進(jìn)程都有自己的內(nèi)存空間和獨(dú)立GIL，從而可以充分利用多核處理器的能力提高執(zhí)行效率。
import multiprocessing as mpdef cpu_bound_task(n): # 模擬的CPU密集型計(jì)算任務(wù) result = 0 for i in range(n): result += i * i return resultif __name__ == "__main__": inputs = [1_000_000 + x for x in range(10)] # 多個(gè)需要處理的數(shù)據(jù)單元 with mp.Pool(processes=mp.cpu_count()) as pool: # 使用所有可用CPU核心數(shù) results = pool.map(cpu_bound_task, inputs) # 將任務(wù)分配到各個(gè)進(jìn)程中并行處理 print(f"Results: {results}")如果存在重復(fù)計(jì)算的情況，可以使用functools.lru_cache裝飾器來緩存函數(shù)的返回結(jié)果，避免重復(fù)計(jì)算。
如下示例使用Python標(biāo)準(zhǔn)庫中的functools.lru_cache裝飾器來緩存函數(shù)的結(jié)果，避免重復(fù)計(jì)算。
from functools import lru_cache@lru_cache(maxsize=None) # 緩存所有結(jié)果，可以根據(jù)實(shí)際情況設(shè)置緩存大小def expensive_computation(x): # 假設(shè)這是一個(gè)計(jì)算成本很高的函數(shù) print("Computing...") return x ** x# 第一次調(diào)用時(shí)會執(zhí)行計(jì)算result1 = expensive_computation(5)# 第二次調(diào)用時(shí)會從緩存中獲取結(jié)果，不再執(zhí)行計(jì)算result2 = expensive_computation(5)print(result1 == result2)第一次調(diào)用expensive_computation(5)時(shí)，執(zhí)行計(jì)算并打印"Computing..."，然后返回計(jì)算結(jié)果25。第二次調(diào)用時(shí)，由于結(jié)果已被緩存，不再執(zhí)行計(jì)算，直接返回上次計(jì)算得到的25。因此，result1 == result2的輸出是True。
在處理大量IO操作時(shí)，如網(wǎng)絡(luò)請求、文件讀寫等，可以利用asyncio庫實(shí)現(xiàn)異步編程，最大化利用等待IO完成的時(shí)間進(jìn)行其他任務(wù)的處理。
例如下面例子使用Python的asyncio庫來并行處理多個(gè)網(wǎng)絡(luò)請求，它會同時(shí)發(fā)起10個(gè)對'http://example.com'的異步網(wǎng)絡(luò)請求，并等待所有請求完成后，通過responses變量獲取所有的響應(yīng)結(jié)果，然后逐個(gè)調(diào)用process_response(response)函數(shù)處理這些響應(yīng)。
import asyncioasync def fetch(url): # 異步網(wǎng)絡(luò)請求 response = await asyncio.get_event_loop().run_in_executor(None, fetch_from_network, url) return responseasync def main(): tasks = [fetch('http://example.com') for _ in range(10)] responses = await asyncio.gather(*tasks) for response in responses: process_response(response)# 啟動(dòng)事件循環(huán)asyncio.run(main())對于計(jì)算密集型的部分代碼，可以使用Cython編寫，將其編譯為C擴(kuò)展模塊，或者直接使用Python的C API編寫擴(kuò)展模塊，這種方式可以大幅提高這部分代碼的執(zhí)行效率。示例如下：
首先，安裝Cython并創(chuàng)建.pyx文件：
# example_cython.pyxdef cython_power(int x): return x ** x然后，編譯為C擴(kuò)展模塊：
$ cython example_cython.pyx$ gcc -shared -pthread -fPIC -fwrapv -O2 -Wall -fno-strict-aliasing -I/usr/include/python3.7 -o example_cython.cpython-37m-x86_64-linux-gnu.so example_cython.c最后，在Python中導(dǎo)入并使用：
import example_cython# 使用Cython優(yōu)化后的函數(shù)result = example_cython.cython_power(5)print(result)通過這種方法，Cython能夠自動(dòng)將Python代碼轉(zhuǎn)化為C代碼，使得原本在Python中執(zhí)行的某些計(jì)算密集型任務(wù)得以顯著加速。
本文鏈接：http://www.www897cc.com/showinfo-26-79836-0.html加速 Python 代碼的八個(gè)優(yōu)秀實(shí)用技巧
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號