让Python程序快30%的技巧
一直以来Python性能是遭人诟病的问题之一，抱怨执行慢，没法用。虽然再性能上语言的差异确实存在着明显差异，但是我认为一个非常流行的语言，运行的快慢不会成为阻扰人们使用的因素。如果是的话，可能是由于编写的程序有问题，需要优化。本文虫虫就给大家介绍一下如何调试Python应用的性能，以及怎么对其进行优化。
Python性能调试
要进行Python性能，前提条件是要找出程序中的性能瓶颈。找出程序中影响程序性能的代码。有经验的开发者一般都能很容易能找出程序的瓶颈，但对于普通码农找出系统的问题代码则很难，为了能快捷有效的发现程序的性能瓶颈就需要进行性能调试，此处我们以一个实际例子进行介绍，以下程序是计算e的x(1..n)次的幂，其代码如下：
# performance.py from decimal import * def exp(x): getcontext().prec += 2 i, lasts, s, fact, num = 0, 0, 1, 1, 1 while s != lasts: lasts = s i += 1 fact *= i num *= x s += num / fact getcontext().prec -= 2 return +s print(exp(Decimal(150))) print(exp(Decimal(400))) print(exp(Decimal(3000)))
最简单的调试
最简单且实用的调试性能调试的方法是使用Linux的time命令，time可以计算程序执行的时间：
time python3 performance.py 1.393709580666379697318341937E+65 5.221469689764143950588763007E+173 7.646200989054704889310727660E+1302 real 0m15.185s user 0m15.100s sys 0m0.004s
计算前两个数的(150，400)很快，而第三个大一点时会很慢，总共要15秒多才算完，是有点卡顿(慢)。
time虽然很便捷有用，但是不能给我们详细的代码性能细节。
详细性能分析cProfile
性能分析另一个常用的方法是使用cProfile，它可以提供很多性能信息
python3 -m cProfile -s time performance.py
例子中，我们使用了cProfile模块和time参数运行测试脚本，以便按内部时间(cumtime)对行进行排序。如上图所示，使用cProfile可以给很多内部的具体信息，通过我们可以知道主要耗时是由exp函数导致。知道了程序的性能瓶颈所在，我们就再说明Python性能分析和优化。
优化特定功能
知道了将性能的瓶颈所在(实例中是exp函数)，我们为了进一步具体问题具体分析，我们使用一个简单装饰器，以便跳过其他代码，专门分析性能瓶颈所设计的函数。然后使用装饰器进行测试，具体代码如下：
def timeit_wrapper(func):
@wraps(func)
def wrapper(*args, **kwargs):
start = time.perf_counter() # Alternatively, you can use time.process_time()
func_return_val = func(*args, **kwargs)
end = time.perf_counter()
print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start))
return func_return_val
return wrapper 我们用这个装饰器来测试exp：
@timeit_wrapper
def exp(x):
...
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time'))
exp(Decimal(150))
exp(Decimal(400))
exp(Decimal(3000)) 
结果：
module function time __main__ .exp : 0.00920036411844194 __main__ .exp : 0.09822067408822477 __main__ .exp : 15.228459489066154
代码中，我们用到了time包提供time.perf_counter函数，它还提供了另外一个函数time.process_time。两者的区别在于perf_counter返回的绝对时间，包括Python程序进程未运行时的时间，它可能会受到计算机负载的影响。而process_time仅返回用户时间(不包括系统时间)，这仅是程序过程时间。
性能优化
最后是Python程序的性能优化，为了让Python程序运行得更快，我们提供一些可供参考的性能优化构想和策略的，通过这些策略我们一半可以提高应用的运行速度，最高情况下可以让你的应用快30%。
使用内建数据类型
很明显，内建数据类型非常快，尤其是与自定义类型相比，比如树或者链表。因为内建程序是用C实现的，所以其性能优势是Python代码所无法比拟的。
使用lru_cache缓存/记忆
很多时候缓存非常有效，可以极大的提高性能，尤其在数值计算和涉及大量重复调用(递归)时。考虑一个例子：
上面的函数使用time.sleep(2)模拟一个耗时的代码。第一次使用参数1调用时，它将等待2秒，然后返回结果。再次调用时，由于结果已被缓存，将跳过函数的执行，直返回。用3调用时候由于参数不一样会耗时2秒，总体耗时应该为4s，我们用time 验证:
real 0m4.061s user 0m0.040s sys 0m0.015s
这和我们设想的一致。
使用局部变量
基于变量作用域中查找速度相关，在函数的局部变量具有很高的速度。其次是类级属性(如self.name)和最慢的是全局变量，如time.time(最慢)。所以我们可以通过避免使用不必要的全局变量来提高性能。
使用函数
这似乎有点出乎意料，因为涉及函数的内存占用都在堆栈上，而函数返回也会有开销。但是使用函数，可以避免使用全局变量，可以提高性能。因此，可以通过将整个代码包装在main函数中只调用一次来加速代码。
避免使用属性
另一个可以是影响程序性能的操作是点运算符访问对象属性。点运算符使用__getattribute__触发会字典查找，会在代码中产生额外的开销。我们可以通过一些使用函数而不是类方法的方式避免点操作，比如下面例子
#慢代码:
import re def slow_func(): for i in range(10000): re.findall(regex, line)
#快代码
from re import findall def fast_func(): for i in range(10000): findall(regex, line)
使用f-string
在循环中使用格式符(%s)或.format()时，字符串操作可能会变得非常缓慢。为了进行性能优化，我们应该使用f-string。它是Python 3.6引入的很具可读性，简洁性和最快的方法。比如：
s + ' ' + t
' '.join((s, t))
'%s %s' % (s, t)
'{} {}'.format(s, t)
Template('$s $t').substitute(s=s, t=t) # 慢代码
f'{s} {t}' # 快代码