Python運行的慢是歷來被詬病的，一方面和語言有關(guān)，另一方面可能就是你代碼的問題。語言方面的問題我們解決不了，所以只能在編程技巧上來提高程序的運行效率。下面就給大家分享幾個提高運行效率的編程方法。

首先，我們需要來衡量代碼的時間和空間的復(fù)雜性，不然僅僅用我們的肉眼很難感受代碼時間長短的變化。python中的profiler可以幫助我們測量程序的時間和空間復(fù)雜度。 使用時通過-o參數(shù)傳入可選輸出文件以保留性能日志。具體使用方法如下：

python -m cProfile [-o output_file] my_python_file.py

01 使用哈希表的數(shù)據(jù)結(jié)構(gòu)

如果在程序中遇到大量搜索操作時，并且數(shù)據(jù)中沒有重復(fù)項，則可以使用查找而不是循環(huán)。舉例如下：

可以改寫為

02 矢量化取代循環(huán)

盡量使用基于C構(gòu)建的Python庫，例如Numpy，Scipy和Pandas，并且利用矢量化同時處理來取代程序中編寫多次處理數(shù)組單個元素的循環(huán)，循環(huán)可能是程序優(yōu)化最容易被拿來開刀的地方了。舉例如下：在對數(shù)組中每個元素求平方時直接用數(shù)組相乘，而不是兩個for循環(huán)。

03 精簡代碼行數(shù)

在編程時，盡量使用一些python的內(nèi)置函數(shù)來精簡代碼行數(shù)，是代碼顯得簡潔凝練，大大提高代碼運行效率。舉例如下：

可以改寫為

04 使用多進程

一般計算機都是多進程的，那么在執(zhí)行操作時可以使用Python中的multiproccessing。多進程可在代碼中實現(xiàn)并行化。 當(dāng)您要實例化新進程，訪問共享內(nèi)存時，多進程成本很高，因此如果有大量數(shù)據(jù)處理時可以考慮使用多進程。 對于少量數(shù)據(jù)，則不提倡使用多進程。舉例如下：

可以改寫為

05 使用Cpython

Cython是一個靜態(tài)編譯器，可以為您優(yōu)化代碼。加載cypthonmagic擴展并使用cython標(biāo)記使用cython編譯代碼。

Cpython的安裝：

pip install Cython

Cpython的使用：

06 盡量使用csv替代xlsx

在進行數(shù)據(jù)處理時， 我需要更長的時間才能將數(shù)據(jù)加載到excel文件或從excel文件保存數(shù)據(jù)。 相反，我選擇了創(chuàng)建多個csv文件的路徑，并創(chuàng)建了一個文件夾來對文件進行分組。舉例如下：

可以改寫為

07 使用Numba

它是一個JIT（即時）編譯器。 通過裝飾器，Numba將帶注釋的Python和NumPy代碼編譯為LLVM 。將您的功能分為兩部分：

1.執(zhí)行計算的函數(shù) - 使用@autojit進行裝飾

2.執(zhí)行IO的功能

08 使用Dask來并行化Pandas DataFrame

Dask很棒！ 它幫助我處理數(shù)據(jù)框中的數(shù)值函數(shù)和并行的numpy。 我甚至試圖在集群上擴展它，它就是這么簡單！

09 使用Pandarallel庫

Pandarallel可以將pandas操作與多個進程并行化同樣，僅在您擁有大型數(shù)據(jù)集時使用。

總結(jié)

對于提高Python的性能，第一是先編寫簡潔，高效的代碼。 我們必須確保代碼不會在循環(huán)中反復(fù)執(zhí)行相同的計算。第二不要為集合中的每個記錄打開/關(guān)閉IO連接。第三要確保在不需要時不創(chuàng)建新的對象實例。通過大量的編程練習(xí)，掌握一些高級的編程方法對你十分重要。