幾個提升Python運行效率的方法之間的對比_python

在我看來，python社區分為了三個流派，分別是python 2.x組織，3.x組織和PyPy組織。這個分類基本上可以歸根於類庫的相容性和速度。這篇文章將聚焦於一些通用代碼的最佳化技巧以及編譯成C後效能的顯著提升，當然我也會給出三大主要python流派已耗用時間。我的目的不是為了證明一個比另一個強，只是為了讓你知道如何在不同的環境下使用這些具體例子作比較。

使用產生器

一個普遍被忽略的記憶體最佳化是產生器的使用。產生器讓我們建立一個函數一次只返回一條記錄，而不是一次返回所有的記錄，如果你正在使用python2.x，這就是你為啥使用xrange替代range或者使用ifilter替代filter的原因。一個很好地例子就是建立一個很大的列表並將它們拼合在一起。

import timeitimport random def generate(num):while num:yield random.randrange(10)num -= 1 def create_list(num):numbers = []while num:numbers.append(random.randrange(10))num -= 1return numbersprint(timeit.timeit("sum(generate(999))", setup="from __main__ import generate", number=1000))>>> 0.88098192215 #Python 2.7>>> 1.416813850402832 #Python 3.2print(timeit.timeit("sum(create_list(999))", setup="from __main__ import create_list", number=1000))>>> 0.924163103104 #Python 2.7>>> 1.5026731491088867 #Python 3.2

這不僅是快了一點，也避免了你在記憶體中儲存全部的列表!

Ctypes的介紹

對於關鍵性的效能代碼python本身也提供給我們一個API來調用C方法，主要通過 ctypes來實現，你可以不寫任何C代碼來利用ctypes。預設情況下python提供了先行編譯的標準c庫，我們再回到產生器的例子，看看使用ctypes實現花費多少時間。
 

import timeitfrom ctypes import cdll def generate_c(num):#Load standard C librarylibc = cdll.LoadLibrary("libc.so.6") #Linux#libc = cdll.msvcrt #Windowswhile num:yield libc.rand() % 10num -= 1 print(timeit.timeit("sum(generate_c(999))", setup="from __main__ import generate_c", number=1000))>>> 0.434374809265 #Python 2.7>>> 0.7084300518035889 #Python 3.2

僅僅換成了c的隨機函數，已耗用時間減了大半！現在如果我告訴你我們還能做得更好，你信嗎?

Cython的介紹

Cython 是python的一個超集，允許我們調用C函數以及聲明變數來提高效能。嘗試使用之前我們需要先安裝Cython.
 

sudo pip install cython

Cython 本質上是另一個不再開發的類似類庫Pyrex的分支，它將我們的類Python代碼編譯成C庫，我們可以在一個python檔案中調用。對於你的python檔案使用.pyx尾碼替代.py尾碼，讓我們看一下使用Cython如何來運行我們的產生器代碼。
 

#cython_generator.pyximport random def generate(num):while num:yield random.randrange(10)num -= 1

我們需要建立個setup.py以便我們能擷取到Cython來編譯我們的函數。
 

from distutils.core import setupfrom distutils.extension import Extensionfrom Cython.Distutils import build_ext setup(cmdclass = {'build_ext': build_ext},ext_modules = [Extension("generator", ["cython_generator.pyx"])])

編譯使用:
 

python setup.py build_ext --inplace

你應該可以看到兩個檔案cython_generator.c 檔案 和 generator.so檔案，我們使用下面方法測試我們的程式:
 

import timeitprint(timeit.timeit("sum(generator.generate(999))", setup="import generator", number=1000))>>> 0.835658073425

還不賴，讓我們看看是否還有可以改進的地方。我們可以先聲明“num”為整形，接著我們可以匯入標準的C庫來負責我們的隨機函數。
 

#cython_generator.pyxcdef extern from "stdlib.h":int c_libc_rand "rand"() def generate(int num):while num:yield c_libc_rand() % 10num -= 1

如果我們再次編譯運行我們會看到這一串驚人的數字。
 

>>> 0.033586025238

僅僅的幾個改變帶來了不賴的結果。然而，有時這個改變很乏味，因此讓我們來看看如何使用規則的python來實現吧。
PyPy的介紹

PyPy 是一個Python2.7.3的即時編譯器，通俗地說這意味著讓你的代碼啟動並執行更快。Quora在生產環境中使用了PyPy。PyPy在它們的下載頁面有一些安裝說明，但是如果你使用的Ubuntu系統，你可以通過apt-get來安裝。它的運行方式是立即可用的，因此沒有瘋狂的bash或者運行指令碼，只需下載然後運行即可。讓我們看看我們原始的產生器代碼在PyPy下的效能如何。
 

import timeitimport random def generate(num):while num:yield random.randrange(10)num -= 1 def create_list(num):numbers = []while num:numbers.append(random.randrange(10))num -= 1return numbersprint(timeit.timeit("sum(generate(999))", setup="from __main__ import generate", number=1000))>>> 0.115154981613 #PyPy 1.9>>> 0.118431091309 #PyPy 2.0b1print(timeit.timeit("sum(create_list(999))", setup="from __main__ import create_list", number=1000))>>> 0.140175104141 #PyPy 1.9>>> 0.140514850616 #PyPy 2.0b1

哇！沒有修改一行代碼運行速度是純python實現的8倍。

進一步測試為什麼還要進一步研究？PyPy是冠軍！並不全對。雖然大多數程式可以運行在PyPy上，但是還是有一些庫沒有被完全支援。而且，為你的項目寫C的擴充相比換一個編譯器更加容易。讓我們更加深入一些，看看ctypes如何讓我們使用C來寫庫。我們來測試一下歸併排序和計算斐波那契數列的速度。下面是我們要用到的C代碼（functions.c）：
 

/* functions.c */#include <stdio.h>#include <stdlib.h>#include <string.h> /* http://rosettacode.org/wiki/Sorting_algorithms/Merge_sort#C */inline voidmerge (int *left, int l_len, int *right, int r_len, int *out){int i, j, k;for (i = j = k = 0; i < l_len && j < r_len;)out[k++] = left[i] < right[j] ? left[i++] : right[j++];while (i < l_len)out[k++] = left[i++];while (j < r_len)out[k++] = right[j++];} /* inner recursion of merge sort */voidrecur (int *buf, int *tmp, int len){int l = len / 2;if (len <= 1)return;/* note that buf and tmp are swapped */recur (tmp, buf, l);recur (tmp + l, buf + l, len - l);merge (tmp, l, tmp + l, len - l, buf);} /* preparation work before recursion */voidmerge_sort (int *buf, int len){/* call alloc, copy and free only once */int *tmp = malloc (sizeof (int) * len);memcpy (tmp, buf, sizeof (int) * len);recur (buf, tmp, len);free (tmp);} intfibRec (int n){if (n < 2)return n;elsereturn fibRec (n - 1) + fibRec (n - 2);}

在Linux平台，我們可以用下面的方法把它編譯成一個共用庫：
 

gcc -Wall -fPIC -c functions.cgcc -shared -o libfunctions.so functions.o

使用ctypes， 通過載入”libfunctions.so”這個共用庫，就像我們前邊對標準C庫所作的那樣，就可以使用這個庫了。這裡我們將要比較Python實現和C實現。現在我們開始計算斐波那契數列：

# functions.py from ctypes import *import time libfunctions = cdll.LoadLibrary("./libfunctions.so") def fibRec(n):if n < 2:return nelse:return fibRec(n-1) + fibRec(n-2) start = time.time()fibRec(32)finish = time.time()print("Python: " + str(finish - start)) # C Fibonaccistart = time.time()x = libfunctions.fibRec(32)finish = time.time()print("C: " + str(finish - start))

正如我們預料的那樣，C比Python和PyPy更快。我們也可以用同樣的方式比較歸併排序。

我們還沒有深挖Cypes庫，所以這些例子並沒有反映python強大的一面，Cypes庫只有少量的標準類型限制，比如int型，char數組，float型，位元組（bytes）等等。預設情況下，沒有整形數組，然而通過與c_int相乘（ctype為int類型）我們可以間接獲得這樣的數組。這也是代碼第7行所要呈現的。我們建立了一個c_int數組，有關我們數位數組並分解打包到c_int數組中

主要的是c語言不能這樣做，而且你也不想。我們用指標來修改函數體。為了通過我們的c_numbers的數列，我們必須通過引用傳遞merge_sort功能。運行merge_sort後，我們利用c_numbers數組進行排序，我已經把下面的代碼加到我的functions.py檔案中了。

#Python Merge Sortfrom random import shuffle, sample #Generate 9999 random numbers between 0 and 100000numbers = sample(range(100000), 9999)shuffle(numbers)c_numbers = (c_int * len(numbers))(*numbers) from heapq import mergedef merge_sort(m):if len(m) <= 1:return mmiddle = len(m) // 2left = m[:middle]right = m[middle:]left = merge_sort(left)right = merge_sort(right)return list(merge(left, right)) start = time.time()numbers = merge_sort(numbers)finish = time.time()print("Python: " + str(finish - start)) #C Merge Sortstart = time.time()libfunctions.merge_sort(byref(c_numbers), len(numbers))finish = time.time()print("C: " + str(finish - start)) Python: 0.190635919571 #Python 2.7Python: 0.11785483360290527 #Python 3.2Python: 0.266992092133 #PyPy 1.9Python: 0.265724897385 #PyPy 2.0b1C: 0.00201296806335 #Python 2.7 + ctypesC: 0.0019741058349609375 #Python 3.2 + ctypesC: 0.0029308795929 #PyPy 1.9 + ctypesC: 0.00287103652954 #PyPy 2.0b1 + ctypes

這兒通過表格和表徵圖來比較不同的結果。

.