[[225525]]

優(yōu)化算法時間復(fù)雜度

算法的時間復(fù)雜度對程序的執(zhí)行效率影響***，在 Python 中可以通過選擇合適的數(shù)據(jù)結(jié)構(gòu)來優(yōu)化時間復(fù)雜度，如 list 和 set 查找某一個元素的時間復(fù)雜度分別是O(n)和O(1)。不同的場景有不同的優(yōu)化方式，總得來說，一般有分治，分支界限，貪心，動態(tài)規(guī)劃等思想。

減少冗余數(shù)據(jù)

如用上三角或下三角的方式去保存一個大的對稱矩陣。在0元素占大多數(shù)的矩陣?yán)锸褂孟∈杈仃嚤硎尽?/p>

合理使用 copy 與 deepcopy

對于 dict 和 list 等數(shù)據(jù)結(jié)構(gòu)的對象，直接賦值使用的是引用的方式。而有些情況下需要復(fù)制整個對象，這時可以使用 copy 包里的 copy 和 deepcopy，這兩個函數(shù)的不同之處在于后者是遞歸復(fù)制的。效率也不一樣：（以下程序在 ipython 中運行） 

import copy  
a = range(100000)  
%timeit -n 10 copy.copy(a) # 運行10次 copy.copy(a)  
%timeit -n 10 copy.deepcopy(a)  
10 loops, best of 3: 1.55 ms per loop  
10 loops, best of 3: 151 ms per loop 

timeit 后面的-n表示運行的次數(shù)，后兩行對應(yīng)的是兩個 timeit 的輸出，下同。由此可見后者慢一個數(shù)量級。

使用 dict 或 set 查找元素

python dict 和 set 都是使用 hash 表來實現(xiàn)(類似c++11標(biāo)準(zhǔn)庫中unordered_map)，查找元素的時間復(fù)雜度是O(1) 

a = range(1000)  
s = set(a)  
d = dict((i,1) for i in a)  
%timeit -n 10000 100 in d 
%timeit -n 10000 100 in s10000 loops, best of 3: 43.5 ns per loop10000 loops, best of 3: 49.6 ns per loop 

dict 的效率略高(占用的空間也多一些)。

合理使用生成器（generator）和 yield 

%timeit -n 100 a = (i for i in range(100000))  
%timeit -n 100 b = [i for i in range(100000)]100 loops, best of 3: 1.54 ms per loop100 loops, best of 3: 4.56 ms per loop  

使用()得到的是一個 generator 對象，所需要的內(nèi)存空間與列表的大小無關(guān)，所以效率會高一些。在具體應(yīng)用上，比如 set(i for i in range(100000))會比 set([i for i in range(100000)])快。

但是對于需要循環(huán)遍歷的情況： 

%timeit -n 100 a = (i for i in range(100000))  
%timeit -n 100 b = [i for i in range(100000)]100 loops, best of 3: 1.54 ms per loop100 loops, best of 3: 4.56 ms per loop  

后者的效率反而更高，但是如果循環(huán)里有 break,用 generator 的好處是顯而易見的。yield 也是用于創(chuàng)建 generator： 

def yield_func(ls): 
 for 
 i in ls: 
       yield i+1  
def not_yield_func(ls):  
   return [i+1 for i in ls]  
ls = range(1000000)  
%timeit -n 10 for i in yield_func(ls):pass  
%timeit -n 10 for i in not_yield_func(ls):pass  
10 loops, best of 3: 63.8 ms per loop  
10 loops, best of 3: 62.9 ms per loop 

對于內(nèi)存不是非常大的 list，可以直接返回一個 list，但是可讀性 yield 更佳(人個喜好)。

python2.x 內(nèi)置 generator 功能的有 xrange 函數(shù)、itertools 包等。

優(yōu)化循環(huán)

循環(huán)之外能做的事不要放在循環(huán)內(nèi)，比如下面的優(yōu)化可以快一倍： 

a = range(10000)  
size_a = len(a)  
%timeit -n 1000 for i in a: k = len(a)  
%timeit -n 1000 for i in a: k = size_a  
1000 loops, best of 3: 569 µs per loop  
1000 loops, best of 3: 256 µs per loop  

優(yōu)化包含多個判斷表達式的順序

對于 and，應(yīng)該把滿足條件少的放在前面，對于 or，把滿足條件多的放在前面。如： 

a = range(2000)  
%timeit -n 100 [i for i in a if 10 < i < 20 or 1000 < i < 2000]  
%timeit -n 100 [i for i in a if 1000 < i < 2000 or 100 < i < 20]     
%timeit -n 100 [i for i in a if i % 2 == 0 and i > 1900]  
%timeit -n 100 [i for i in a if i > 1900 and i % 2 == 0]  
100 loops, best of 3: 287 µs per loop 
100 loops, best of 3: 214 µs per loop  
100 loops, best of 3: 128 µs per loop  
100 loops, best of 3: 56.1 µs per loop  

使用 join 合并迭代器中的字符串 

In [1]: %%timeit
   ...: s = ''  
  ...: for i in a:  
  ...:         s += i  
  ...:10000 loops, best of 3: 59.8 µs per loopIn [2]: %%timeit  
s = ''.join(a)  
  ...:100000 loops, best of 3: 11.8 µs per loop 

join 對于累加的方式，有大約5倍的提升。

選擇合適的格式化字符方式 

s1, s2 = 'ax', 'bx'  
%timeit -n 100000 'abc%s%s' % (s1, s2)  
%timeit -n 100000 'abc{0}{1}'.format(s1, s2) 
%timeit -n 100000 'abc' + s1 + s2   
100000 loops, best of 3: 183 ns per loop  
100000 loops, best of 3: 169 ns per loop  
100000 loops, best of 3: 103 ns per loop  

不借助中間變量交換兩個變量的值 

In [3]: %%timeit -n 10000  
   a,b=1,2  
  ....: c=a;a=b;b=c; 
  ....:10000 loops, best of 3: 172 ns per loop  
In [4]: %%timeit -n 10000 
 a,b=1,2  
a,b=b,a 
  ....:  
10000 loops, best of 3: 86 ns per loop  

使用a,b=b,a而不是c=a;a=b;b=c;來交換a,b的值，可以快1倍以上。

使用 if is 

a = range(10000)  
%timeit -n 100 [i for i in a if i == True]  
%timeit -n 100 [i for i in a if i is True]  
100 loops, best of 3: 531 µs per loop  
100 loops, best of 3: 362 µs per loop 

使用 if is True 比 if == True 將近快一倍。

使用級聯(lián)比較x < y < z 

x, y, z = 1,2,3  
%timeit -n 1000000 if x < y < z:pass 
%timeit -n 1000000 if x < y and y < z:pass   
1000000 loops, best of 3: 101 ns per loop  
1000000 loops, best of 3: 121 ns per loop  

x < y < z效率略高，而且可讀性更好。

while 1 比 while True 更快 

def while_1():  
   n = 100000  
   while 1:  
       n -= 1  
       if n <= 0: break  
def while_true(): 
   n = 100000 
    while True:  
       n -= 1  
       if n <= 0: break  
 m, n = 1000000, 1000000  
%timeit -n 100 while_1()  
%timeit -n 100 while_true()  
100 loops, best of 3: 3.69 ms per loop  
100 loops, best of 3: 5.61 ms per loop 

while 1 比 while true 快很多，原因是在 python2.x 中，True 是一個全局變量，而非關(guān)鍵字。

使用**而不是 pow 

%timeit -n 10000 c = pow(2,20)  
%timeit -n 10000 c = 2**2010000 loops, best of 3: 284 ns per loop10000 loops, best of 3: 16.9 ns per loop  

**就是快10倍以上！

使用 cProfile, cStringIO 和 cPickle 等用c實現(xiàn)相同功能（分別對應(yīng)profile, StringIO, pickle）的包 

import cPickle  
import pickle  
a = range(10000)  
%timeit -n 100 x = cPickle.dumps(a)  
%timeit -n 100 x = pickle.dumps(a)  
100 loops, best of 3: 1.58 ms per loop 
100 loops, best of 3: 17 ms per loop  

由c實現(xiàn)的包，速度快10倍以上！

使用***的反序列化方式

下面比較了 eval, cPickle, json 方式三種對相應(yīng)字符串反序列化的效率： 

import json  
import cPickle 
 a = range(10000)  
s1 = str(a)  
s2 = cPickle.dumps(a) 
 s3 = json.dumps(a)  
%timeit -n 100 x = eval(s1) 
%timeit -n 100 x = cPickle.loads(s2)  
%timeit -n 100 x = json.loads(s3) 
 100 loops, best of 3: 16.8 ms per loop  
100 loops, best of 3: 2.02 ms per loop  
100 loops, best of 3: 798 µs per loop  

可見 json 比 cPickle 快近3倍，比 eval 快20多倍。

使用C擴展(Extension)

目前主要有 CPython(python最常見的實現(xiàn)的方式)原生API, ctypes,Cython，cffi三種方式，它們的作用是使得 Python 程序可以調(diào)用由C編譯成的動態(tài)鏈接庫，其特點分別是：

CPython 原生 API: 通過引入 Python.h 頭文件，對應(yīng)的C程序中可以直接使用Python 的數(shù)據(jù)結(jié)構(gòu)。實現(xiàn)過程相對繁瑣，但是有比較大的適用范圍。

ctypes: 通常用于封裝(wrap)C程序，讓純 Python 程序調(diào)用動態(tài)鏈接庫（Windows 中的 dll 或 Unix 中的 so 文件）中的函數(shù)。如果想要在 python 中使用已經(jīng)有C類庫，使用 ctypes 是很好的選擇，有一些基準(zhǔn)測試下，python2+ctypes 是性能***的方式。

Cython: Cython 是 CPython 的超集，用于簡化編寫C擴展的過程。Cython 的優(yōu)點是語法簡潔，可以很好地兼容 numpy 等包含大量C擴展的庫。Cython 的使得場景一般是針對項目中某個算法或過程的優(yōu)化。在某些測試中，可以有幾百倍的性能提升。

cffi: cffi 的就是 ctypes 在 pypy（詳見下文）中的實現(xiàn)，同進也兼容 CPython。cffi提供了在 python 使用C類庫的方式，可以直接在 python 代碼中編寫C代碼，同時支持鏈接到已有的C類庫。

使用這些優(yōu)化方式一般是針對已有項目性能瓶頸模塊的優(yōu)化，可以在少量改動原有項目的情況下大幅度地提高整個程序的運行效率。

并行編程

因為 GIL 的存在，Python 很難充分利用多核 CPU 的優(yōu)勢。但是，可以通過內(nèi)置的模塊 multiprocessing 實現(xiàn)下面幾種并行模式：

多進程：對于 CPU 密集型的程序，可以使用 multiprocessing 的 Process,Pool 等封裝好的類，通過多進程的方式實現(xiàn)并行計算。但是因為進程中的通信成本比較大，對于進程之間需要大量數(shù)據(jù)交互的程序效率未必有大的提高。

多線程：對于 IO 密集型的程序，multiprocessing.dummy 模塊使用 multiprocessing 的接口封裝 threading，使得多線程編程也變得非常輕松(比如可以使用 Pool 的 map 接口，簡潔高效)。

分布式：multiprocessing 中的 Managers 類提供了可以在不同進程之共享數(shù)據(jù)的方式，可以在此基礎(chǔ)上開發(fā)出分布式的程序。

不同的業(yè)務(wù)場景可以選擇其中的一種或幾種的組合實現(xiàn)程序性能的優(yōu)化。

終級大殺器：PyPy

PyPy 是用 RPython(CPython 的子集)實現(xiàn)的 Python，根據(jù)官網(wǎng)的基準(zhǔn)測試數(shù)據(jù)，它比 CPython 實現(xiàn)的 Python 要快6倍以上?？斓脑蚴鞘褂昧?Just-in-Time(JIT)編譯器，即動態(tài)編譯器，與靜態(tài)編譯器(如gcc,javac等)不同，它是利用程序運行的過程的數(shù)據(jù)進行優(yōu)化。由于歷史原因，目前 pypy 中還保留著 GIL，不過正在進行的 STM 項目試圖將 PyPy 變成沒有 GIL 的 Python。

如果 python 程序中含有C擴展(非cffi的方式)，JIT 的優(yōu)化效果會大打折扣，甚至比 CPython 慢（比 Numpy）。所以在 PyPy 中***用純 Python 或使用 cffi 擴展。

隨著STM，Numpy 等項目的完善，相信 PyPy 將會替代 CPython。

使用性能分析工具

除了上面在 ipython 使用到的 timeit 模塊，還有 cProfile。cProfile 的使用方式也非常簡單： python -m cProfile filename.py，filename.py 是要運行程序的文件名，可以在標(biāo)準(zhǔn)輸出中看到每一個函數(shù)被調(diào)用的次數(shù)和運行的時間，從而找到程序的性能瓶頸，然后可以有針對性地優(yōu)化。

參考

[1] http://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/

[2] http://maxburstein.com/blog/speeding-up-your-python-code/