程序运行慢？你怕是写的假 Python

Python程序运行太慢的一个可能的原因是没有尽可能的调用内置方法，下面通过5个例子来演示如何用内置方法提升Python程序的性能。

1. 数组求平方和

输入一个列表，要求计算出该列表中数字的的平方和。最终性能提升了1.4倍。首先创建一个长度为10000的列表。

1. arr = list(range(10000)) 

1.1 最常规的写法

while循环遍历列表求平方和。平均运行时间2.97毫秒。

1. def sum_sqr_0(arr): 
2.     res = 0 
3.     n = len(arr) 
4.     i = 0 
5.     while i < n: 
6.         res += arr[i] ** 2 
7.         i += 1 
8.     return res 
9. %timeit sum_sqr_0(arr) 
10. 2.97 ms ± 36.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

1.2 for range代替while循环

避免i += 1的变量类型检查带来的额外开销。平均运行时间2.9毫秒。

1. def sum_sqr_1(arr): 
2.     res = 0 
3.     for i in range(len(arr)): 
4.         res += arr[i] ** 2 
5.     return res 
6. %timeit sum_sqr_1(arr) 
7. 2.9 ms ± 137 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

1.3 for x in arr代替for range

避免arr[i]的变量类型检查带来的额外开销。平均运行时间2.59毫秒。

1. def sum_sqr_2(arr): 
2.     res = 0 
3.     for x in arr: 
4.         res += x ** 2 
5.     return res 
6. %timeit sum_sqr_2(arr) 
7. 2.59 ms ± 89 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

1.4 sum函数套用map函数

平均运行时间2.36毫秒

1. def sum_sqr_3(arr): 
2.     return sum(map(lambda x: x**2, arr)) 
3. %timeit sum_sqr_3(arr) 
4. 2.36 ms ± 15.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

1.5 sum函数套用生成器表达式

生成器表达式如果作为某个函数的参数，则可以省略掉()。平均运行时间2.35毫秒。

1. def sum_sqr_4(arr): 
2.     return sum(x ** 2 for x in arr) 
3. %timeit sum_sqr_4(arr) 
4. 2.35 ms ± 107 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

1. 6 sum函数套用列表推导式

平均运行时间2.06毫秒。

1. def sum_sqr_5(arr): 
2.     return sum([x ** 2 for x in arr]) 
3. %timeit sum_sqr_5(arr) 
4. 2.06 ms ± 27.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

2. 字符串拼接

输入一个列表，要求将列表中的字符串的前3个字符都拼接为一个字符串。最终性能提升了2.1倍。

首先创建一个列表，生成10000个随机长度和内容的字符串。

1. from random import randint 
2.  
3. def random_letter(): 
4.     return chr(ord('a') + randint(0, 25)) 
5.  
6. def random_letters(n): 
7.     return "".join([random_letter() for _ in range(n)]) 
8.  
9. strings = [random_letters(randint(1, 10)) for _ in range(10000)] 

2.1 最常规的写法

while循环遍历列表，对字符串进行拼接。平均运行时间1.86毫秒。

1. def concat_strings_0(strings): 
2.     res = "" 
3.     n = len(strings) 
4.     i = 0 
5.     while i < n: 
6.         res += strings[i][:3] 
7.         i += 1 
8.     return res 
9. %timeit concat_strings_0(strings) 
10. 1.86 ms ± 74.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

2.2 for range代替while循环

避免i += 1的变量类型检查带来的额外开销。平均运行时间1.55毫秒。

1. def concat_strings_1(strings): 
2.     res = "" 
3.     for i in range(len(strings)): 
4.         res += strings[i][:3] 
5.     return res 
6. %timeit concat_strings_1(strings) 
7. 1.55 ms ± 32.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

2.3 for x in strings代替for range

避免strings[i]的变量类型检查带来的额外开销。平均运行时间1.32毫秒。

1. def concat_strings_2(strings): 
2.     res = "" 
3.     for x in strings: 
4.         res += x[:3] 
5.     return res 
6. %timeit concat_strings_2(strings) 
7. 1.32 ms ± 19.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

2.4 .join方法套用生成器表达式

平均运行时间1.06毫秒。

1. def concat_strings_3(strings): 
2.     return "".join(x[:3] for x in strings) 
3. %timeit concat_strings_3(strings) 
4. 1.06 ms ± 15.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

2.5 .join方法套用列表解析式

平均运行时间0.85毫秒。

1. def concat_strings_4(strings): 
2.     return "".join([x[:3] for x in strings]) 
3. %timeit concat_strings_4(strings) 
4. 858 µs ± 14.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3. 筛选奇数

输入一个列表，要求筛选出该列表中的所有奇数。最终性能提升了3.6倍。

首先创建一个长度为10000的列表。

1. arr = list(range(10000)) 

3.1 最常规的写法

创建一个空列表res，while循环遍历列表，将奇数append到res中。平均运行时间1.03毫秒。

1. def filter_odd_0(arr): 
2.     res = [] 
3.     i = 0 
4.     n = len(arr) 
5.     while i < n: 
6.         if arr[i] % 2: 
7.             res.append(arr[i]) 
8.         i += 1 
9.     return res 
10. %timeit filter_odd_0(arr) 
11. 1.03 ms ± 34.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3.2 for range代替while循环

避免i += 1的变量类型检查带来的额外开销。平均运行时间0.965毫秒。

1. def filter_odd_1(arr): 
2.     res = [] 
3.     for i in range(len(arr)): 
4.         if arr[i] % 2: 
5.             res.append(arr[i]) 
6.         i += 1 
7.     return res 
8. %timeit filter_odd_1(arr) 
9. 965 µs ± 4.02 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3.3 for x in arr代替for range

避免arr[i]的变量类型检查带来的额外开销。平均运行时间0.430毫秒。

1. def filter_odd_2(arr): 
2.     res = [] 
3.     for x in arr: 
4.         if x % 2: 
5.             res.append(x) 
6.     return res 
7. %timeit filter_odd_2(arr) 
8. 430 µs ± 9.25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3.4 list套用filter函数

平均运行时间0.763毫秒。注意filter函数很慢，在Python 3.6里非常鸡肋。

1. def filter_odd_3(arr): 
2.     return list(filter(lambda x: x % 2, arr)) 
3. %timeit filter_odd_3(arr) 
4. 763 µs ± 15.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3.5 list套用生成器表达式

平均运行时间0.398毫秒。

1. def filter_odd_4(arr): 
2.     return list((x for x in arr if x % 2)) 
3. %timeit filter_odd_4(arr) 
4. 398 µs ± 16.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3.6 带条件的列表推导式

平均运行时间0.290毫秒。

1. def filter_odd_5(arr): 
2.     return [x for x in arr if x % 2] 
3. %timeit filter_odd_5(arr) 
4. 290 µs ± 5.54 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

4. 两个数组相加

输入两个长度相同的列表，要求计算出两个列表对应位置的数字之和，返回一个与输入长度相同的列表。最终性能提升了2.7倍。

首先生成两个长度为10000的列表。

1. arr1 = list(range(10000))  
2. arr2 = list(range(10000)) 

4.1 最常规的写法

创建一个空列表res，while循环遍历列表，将两个列表对应的元素之和append到res中。平均运行时间1.23毫秒。

1. def arr_sum_0(arr1, arr2): 
2.     i = 0 
3.     n = len(arr1) 
4.     res = [] 
5.     while i < n: 
6.         res.append(arr1[i] + arr2[i]) 
7.         i += 1 
8.     return res 
9. %timeit arr_sum_0(arr1, arr2) 
10. 1.23 ms ± 3.77 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

4.2 for range代替while循环

避免i += 1的变量类型检查带来的额外开销。平均运行时间0.997毫秒。

1. def arr_sum_1(arr1, arr2): 
2.     res = [] 
3.     for i in range(len(arr1)): 
4.         res.append(arr1[i] + arr2[i]) 
5.     return res 
6. %timeit arr_sum_1(arr1, arr2) 
7. 997 µs ± 7.42 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

4.3 for i, x in enumerate代替for range

部分避免arr[i]的变量类型检查带来的额外开销。平均运行时间0.799毫秒。

1. def arr_sum_2(arr1, arr2): 
2.     res = arr1.copy() 
3.     for i, x in enumerate(arr2): 
4.         res[i] += x 
5.     return res 
6. %timeit arr_sum_2(arr1, arr2) 
7. 799 µs ± 16.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

4.4 for x, y in zip代替for range

避免arr[i]的变量类型检查带来的额外开销。平均运行时间0.769毫秒。

1. def arr_sum_3(arr1, arr2): 
2.     res = [] 
3.     for x, y in zip(arr1, arr2): 
4.         res.append(x + y) 
5.     return res 
6. %timeit arr_sum_3(arr1, arr2) 
7. 769 µs ± 12.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

4.5 列表推导式套用zip

平均运行时间0.462毫秒。

1. def arr_sum_4(arr1, arr2): 
2.     return [x + y for x, y in zip(arr1, arr2)] 
3. %timeit arr_sum_4(arr1, arr2) 
4. 462 µs ± 3.43 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

5. 两个列表相同元素的数量

输入两个列表，要求统计两个列表相同元素的数量。其中每个列表内的元素都是不重复的。最终性能提升了5000倍。

首先创建两个列表，并将元素的顺序打乱。

1. from random import shuffle 
2. arr1 = list(range(2000)) 
3. shuffle(arr1) 
4. arr2 = list(range(1000, 3000)) 
5. shuffle(arr2) 

5.1 最常规的写法

while循环嵌套，判断元素arr1[i]是否等于arr2[j]，平均运行时间338毫秒。

1. def n_common_0(arr1, arr2): 
2.     res = 0 
3.     i = 0 
4.     m = len(arr1) 
5.     n = len(arr2) 
6.     while i < m: 
7.         j = 0 
8.         while j < n: 
9.             if arr1[i] == arr2[j]: 
10.                 res += 1 
11.             j += 1 
12.         i += 1 
13.     return res 
14. %timeit n_common_0(arr1, arr2) 
15. 338 ms ± 7.81 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) 

5.2 for range代替while循环

避免i += 1的变量类型检查带来的额外开销。平均运行时间233毫秒。

1. def n_common_1(arr1, arr2): 
2.     res = 0 
3.     for i in range(len(arr1)): 
4.         for j in range(len(arr2)): 
5.             if arr1[i] == arr2[j]: 
6.                 res += 1 
7.     return res 
8. %timeit n_common_1(arr1, arr2) 
9. 233 ms ± 10.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) 

5.3 for x in arr代替for range

避免arr[i]的变量类型检查带来的额外开销。平均运行时间84.8毫秒。

1. def n_common_2(arr1, arr2): 
2.     res = 0 
3.     for x in arr1: 
4.         for y in arr2: 
5.             if x == y: 
6.                 res += 1 
7.     return res 
8. %timeit n_common_2(arr1, arr2) 
9. 84.8 ms ± 1.38 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) 

5.4 使用if x in arr2代替内层循环

平均运行时间24.9毫秒。

1. def n_common_3(arr1, arr2): 
2.     res = 0 
3.     for x in arr1: 
4.         if x in arr2: 
5.             res += 1 
6.     return res 
7. %timeit n_common_3(arr1, arr2) 
8. 24.9 ms ± 1.39 ms per loop (mean ± std. dev. of 7 runs, 10 loops each) 

5.4 使用更快的算法

将数组用.sort方法排序，再进行单层循环遍历。把时间复杂度从O(n2)降低到O(nlogn)，平均运行时间0.239毫秒。

1. def n_common_4(arr1, arr2): 
2.     arr1.sort() 
3.     arr2.sort() 
4.     res = i = j = 0 
5.     m, n = len(arr1), len(arr2) 
6.     while i < m and j < n: 
7.         if arr1[i] == arr2[j]: 
8.             res += 1 
9.             i += 1 
10.             j += 1 
11.         elif arr1[i] > arr2[j]: 
12.             j += 1 
13.         else: 
14.             i += 1 
15.     return res 
16. %timeit n_common_4(arr1, arr2) 
17. 329 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

5.5 使用更好的数据结构

将数组转为集合，求交集的长度。平均运行时间0.067毫秒。

1. def n_common_5(arr1, arr2): 
2.     return len(set(arr1) & set(arr2)) 
3. %timeit n_common_5(arr1, arr2) 
4. 67.2 µs ± 755 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each) 

​原文地址：https://mp.weixin.qq.com/s/8fpHUc0W9UqA4ic7flZLDw