提升Python執行速度的10種方法分享

# 提升Python執行速度的10種方法分享

Python因其簡潔易讀的語法而廣受歡迎，但執行速度慢也常被詬病。本文將分享10種經過驗證的優化方法，幫助你的Python代碼跑得更快。

## 1. 使用內置函數和庫

**原理**：Python內置函數用C語言實現，比純Python實現快10-100倍

```python
# 慢
result = []
for i in range(10000):
    result.append(len(str(i)))

# 快
result = list(map(lambda x: len(str(x)), range(10000)))

典型場景：列表操作、數學計算、類型轉換等

2. 利用JIT編譯器：Numba

安裝：pip install numba

from numba import jit
import numpy as np

@jit(nopython=True)
def sum_matrix(matrix):
    total = 0
    for row in matrix:
        for val in row:
            total += val
    return total

# 比原生Python快50倍以上

適用場景：數值計算密集型任務

3. 使用PyPy解釋器

特點： - 即時編譯(JIT)實現 - 平均加速4-10倍 - 兼容Python 3.7+

限制：不適用于C擴展密集的項目

4. 向量化運算（NumPy）

# 慢
def dot_product(a, b):
    return sum(x*y for x,y in zip(a,b))

# 快（快100倍）
import numpy as np
def numpy_dot(a, b):
    return np.dot(np.array(a), np.array(b))

優勢： - 避免循環開銷 - 底層使用SIMD指令

5. 使用Cython編譯

示例（保存為.pyx文件）：

# cython: language_level=3
def cython_sum(long n):
    cdef long total = 0
    cdef long i
    for i in range(n):
        total += i
    return total

編譯后速度：接近C語言性能

6. 合理使用數據結構

優化對比：

選擇建議： - 頻繁查找：用字典/集合 - 有序數據：考慮bisect模塊 - 大數據集：使用array模塊

7. 避免全局變量

性能對比：

# 慢（全局變量訪問）
global_var = 10
def slow_func():
    for _ in range(10**6):
        x = global_var + 1

# 快（局部變量訪問）
def fast_func():
    local_var = 10
    for _ in range(10**6):
        x = local_var + 1

加速效果：局部變量快15-20%

8. 多進程并行計算

from multiprocessing import Pool

def process_data(data):
    # 處理函數
    return data * 2

if __name__ == '__main__':
    with Pool(4) as p:  # 4個進程
        results = p.map(process_data, range(10000))

適用場景： - CPU密集型任務 - GIL限制的并行操作

9. 內存優化技巧

有效方法： 1. 使用__slots__減少對象內存

class Optimized:
    __slots__ = ['a', 'b']  # 節省40-50%內存
    def __init__(self, a, b):
        self.a = a
        self.b = b

1. 生成器替代列表

# 節省內存
def gen_numbers(n):
    for i in range(n):
        yield i * 2

10. 算法優化策略

典型案例： - 緩存重復計算（裝飾器@functools.lru_cache）

from functools import lru_cache

@lru_cache(maxsize=128)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

• 提前終止循環

# 優化前
def has_negative(numbers):
    negs = [n for n in numbers if n < 0]
    return len(negs) > 0

# 優化后（快3-5倍）
def has_negative_fast(numbers):
    for n in numbers:
        if n < 0:
            return True
    return False

性能分析工具推薦

1. cProfile：找出瓶頸函數

import cProfile
cProfile.run('my_function()')

1. line_profiler：逐行分析

# 安裝：pip install line_profiler
@profile
def slow_function():
    # 待分析代碼
    pass

1. memory_profiler：內存使用分析

# 安裝：pip install memory_profiler
from memory_profiler import profile

@profile
def memory_intensive_func():
    # 代碼
    pass

總結

最佳實踐建議： 1. 先確保代碼正確再優化 2. 使用分析工具定位真正瓶頸 3. 權衡可讀性與性能 4. 考慮維護成本

通過組合使用這些方法，完全可以讓Python代碼的執行速度提升1-2個數量級，在保持開發效率的同時獲得更好的運行時性能。 “`

注：本文示例代碼均在Python 3.8+環境下測試通過，實際加速效果可能因環境、數據規模和具體實現而異。建議根據自身項目特點選擇最適合的優化策略。