Python 效能最佳化技巧總結，python效能最佳化技巧

Python 效能最佳化技巧總結，python效能最佳化技巧

1.使用測量工具，量化效能才能改進效能，常用的timeit和memory_profiler，此外還有profile、cProfile、hotshot等，memory_profiler用了psutil，所以不能跟蹤cpython的擴充；

2.用C來解決費時的處理，c是效率的代名詞，也是python用來解決效率問題的主要途徑，甚至有時候我都覺得python是c的完美搭檔。常用的是Cython，直接把py代碼c化然後又能像使用py包一樣使用，其次是ctypes，效率最最高的存在，最後還有CPython和cffi都是屌屌的存在；

3.最佳化演算法，所有語言通病，演算法的提升我覺得是在所有提升之上的，但也是最難的，好在現在大部分常用的演算法都已經封包，除非自己給自己挖坑，所以弄懂標準庫裡的資料結構和常用api是如何?的很重要；

4.2裡的實現有人做了更高效的包用以替換python中常見的一些實現，如果瓶頸在stringio、pickle、profile這類上的可以考慮替換為c的版本；

5.資料結構盡量使用元組tuple，特別是資料量大的時候，實在不行list也可以，盡量不要用class，如果一定要用可以加slot，效率再不夠就只能結合2來加速了；

6.消極式載入，import不是一定要寫在一頁的開始，哪裡都可以，越片段越能把包的載入延遲甚至不被載入；

7.用multiprocessing來實現多線程，可以跳出GIL的限制；

8.python處理迴圈很爛，解釋性語言就這樣，跟其它編譯型語言比就是蝸牛，所以減少迴圈次數和嵌套次數能顯著提升效能，當然了使用pypy就沒有這個問題了；

9.使用加速器，很喜歡psyco的使用方式，如果用2.7-的版本那麼不失為一個懶人的選擇，現在已經不再維護，創始人去了pypy，pypy是用Python實現的python，底層轉為平台依賴的c、.net、java的中繼語言，方式非常聰明，大愛，但是缺點是庫的支援還不完善，我的項目基本都能支援，解決幾個小問題即可，如果效能瓶頸在迴圈和記憶體上可以試試，最大的好處是不需要更改一句代碼和做另外的設定，沒有任何侵入。

參考資料：

Python 代碼效能最佳化技巧： https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/

Python效能最佳化技巧： http://kuanghy.github.io/2016/09/26/python-optimize