python中函數(shù)的作用不包括增加代碼量。根據(jù)查詢相關(guān)資料信息，python中函數(shù)的作用有復(fù)用代碼、提高效率、減少代碼量等相關(guān)作用。
站在用戶的角度思考問題，與客戶深入溝通，找到?jīng)茉淳W(wǎng)站設(shè)計與涇源網(wǎng)站推廣的解決方案，憑借多年的經(jīng)驗，讓設(shè)計與互聯(lián)網(wǎng)技術(shù)結(jié)合，創(chuàng)造個性化、用戶體驗好的作品，建站類型包括：成都網(wǎng)站建設(shè)、網(wǎng)站建設(shè)、企業(yè)官網(wǎng)、英文網(wǎng)站、手機端網(wǎng)站、網(wǎng)站推廣、國際域名空間、虛擬空間、企業(yè)郵箱。業(yè)務(wù)覆蓋涇源地區(qū)。
一：學(xué)會正確使用numpy scipy。 numpy scipy寫好的絕不自己寫，比如矩陣運算等操作，pylab的實現(xiàn)還算不錯。各種函數(shù)都有，盡量使用他們可以避免初學(xué)者大部分的速度不足問題。因為這些函數(shù)大部分都是預(yù)編譯好的。
根據(jù)我?guī)啄昵暗臏y試，python的矩陣運算速度并不慢，(因為你運行的是動態(tài)鏈接庫里面的函數(shù)而不是腳本）比mathematica快，和matlab持平。
大部分新手不擅長看文檔啥都自己造輪子是不好的。當(dāng)然老手把效率寫的比開源庫高也不算啥新聞，畢竟有對特定程序的優(yōu)化
二：減少for的使用，多使用向量化函數(shù)，np.vectorlize可以把函數(shù)變成對數(shù)組逐元素的操作，比for效率高幾個華萊士。
三：對內(nèi)存友好，操作大矩陣的時候減少會引起整矩陣對此copy的操作
四：系統(tǒng)最慢的大部分時候是io，包括上面說的內(nèi)存操作和頻繁的讀入讀出以及debug輸出。避免他們，在需要實時處理的時候引入類似于gpu的pipeline管線機制或者使用靈活的多線程編程可以起到奇效。
五：matplotlib的繪圖效率并不高明，在使用交互繪圖（plt.ion）的時候減少不必要的刷新率。
前言
Python 一直以來被大家所詬病的一點就是執(zhí)行速度慢，但不可否認的是 Python 依然是我們學(xué)習(xí)和工作中的一大利器。本文總結(jié)了15個tips有助于提升 Python 執(zhí)行速度、優(yōu)化性能。
關(guān)于 Python 如何精確地測量程序的執(zhí)行時間，這個問題看起來簡單其實很復(fù)雜，因為程序的執(zhí)行時間受到很多因素的影響，例如操作系統(tǒng)、Python 版本以及相關(guān)硬件（CPU 性能、內(nèi)存讀寫速度）等。在同一臺電腦上運行相同版本的語言時，上述因素就是確定的了，但是程序的睡眠時間依然是變化的，且電腦上正在運行的其他程序也會對實驗有干擾，因此嚴格來說這就是實驗不可重復(fù)。
我了解到的關(guān)于計時比較有代表性的兩個庫就是 time 和 timeit 。
其中， time 庫中有 time() 、 perf_counter() 以及 process_time() 三個函數(shù)可用來計時（以秒為單位），加后綴 _ns 表示以納秒計時（自 Python3.7 始）。在此之前還有 clock() 函數(shù)，但是在 Python3.3 之后被移除了。上述三者的區(qū)別如下：
與 time 庫相比， timeit 有兩個優(yōu)點：
timeit.timeit(stmt='pass', setup='pass', timer= , number=1000000, globals=None) 參數(shù)說明：
本文所有的計時均采用 timeit 方法，且采用默認的執(zhí)行次數(shù)一百萬次。
為什么要執(zhí)行一百萬次呢？因為我們的測試程序很短，如果不執(zhí)行這么多次的話，根本看不出差距。
Exp1：將字符串?dāng)?shù)組中的小寫字母轉(zhuǎn)為大寫字母。
測試數(shù)組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一
方法二
方法一耗時 0.5267724000000005s ，方法二耗時 0.41462569999999843s ，性能提升 21.29%
Exp2：求兩個 list 的交集。
測試數(shù)組：a = [1,2,3,4,5]，b = [2,4,6,8,10]。
方法一
方法二
方法一耗時 0.9507264000000006s ，方法二耗時 0.6148200999999993s ，性能提升 35.33%
關(guān)于 set() 的語法： | 、 、 - 分別表示求并集、交集、差集。
我們可以通過多種方式對序列進行排序，但其實自己編寫排序算法的方法有些得不償失。因為內(nèi)置的 sort() 或 sorted() 方法已經(jīng)足夠優(yōu)秀了，且利用參數(shù) key 可以實現(xiàn)不同的功能，非常靈活。二者的區(qū)別是 sort() 方法僅被定義在 list 中，而 sorted() 是全局方法對所有的可迭代序列都有效。
Exp3：分別使用快排和 sort() 方法對同一列表排序。
測試數(shù)組：lists = [2,1,4,3,0]。
方法一
方法二
方法一耗時 2.4796975000000003s ，方法二耗時 0.05551999999999424s ，性能提升 97.76%
順帶一提， sorted() 方法耗時 0.1339823999987857s 。
可以看出， sort() 作為 list 專屬的排序方法還是很強的， sorted() 雖然比前者慢一點，但是勝在它“不挑食”，它對所有的可迭代序列都有效。
擴展 ：如何定義 sort() 或 sorted() 方法的 key
1.通過 lambda 定義
2.通過 operator 定義
operator 的 itemgetter() 適用于普通數(shù)組排序， attrgetter() 適用于對象數(shù)組排序
3.通過 cmp_to_key() 定義，最為靈活
Exp4：統(tǒng)計字符串中每個字符出現(xiàn)的次數(shù)。
測試數(shù)組：sentence='life is short, i choose python'。
方法一
方法二
方法一耗時 2.8105250000000055s ，方法二耗時 1.6317423000000062s ，性能提升 41.94%
列表推導(dǎo)（list comprehension）短小精悍。在小代碼片段中，可能沒有太大的區(qū)別。但是在大型開發(fā)中，它可以節(jié)省一些時間。
Exp5：對列表中的奇數(shù)求平方，偶數(shù)不變。
測試數(shù)組：oldlist = range(10)。
方法一
方法二
方法一耗時 1.5342976000000021s ，方法二耗時 1.4181957999999923s ，性能提升 7.57%
大多數(shù)人都習(xí)慣使用 + 來連接字符串。但其實，這種方法非常低效。因為， + 操作在每一步中都會創(chuàng)建一個新字符串并復(fù)制舊字符串。更好的方法是用 join() 來連接字符串。關(guān)于字符串的其他操作，也盡量使用內(nèi)置函數(shù)，如 isalpha() 、 isdigit() 、 startswith() 、 endswith() 等。
Exp6：將字符串列表中的元素連接起來。
測試數(shù)組：oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一
方法二
方法一耗時 0.27489080000000854s ，方法二耗時 0.08166570000000206s ，性能提升 70.29%
join 還有一個非常舒服的點，就是它可以指定連接的分隔符，舉個例子
life//is//short//i//choose//python
Exp6：交換x，y的值。
測試數(shù)據(jù)：x, y = 100, 200。
方法一
方法二
方法一耗時 0.027853900000010867s ，方法二耗時 0.02398730000000171s ，性能提升 13.88%
在不知道確切的循環(huán)次數(shù)時，常規(guī)方法是使用 while True 進行無限循環(huán)，在代碼塊中判斷是否滿足循環(huán)終止條件。雖然這樣做沒有任何問題，但 while 1 的執(zhí)行速度比 while True 更快。因為它是一種數(shù)值轉(zhuǎn)換，可以更快地生成輸出。
Exp8：分別用 while 1 和 while True 循環(huán) 100 次。
方法一
方法二
方法一耗時 3.679268300000004s ，方法二耗時 3.607847499999991s ，性能提升 1.94%
將文件存儲在高速緩存中有助于快速恢復(fù)功能。Python 支持裝飾器緩存，該緩存在內(nèi)存中維護特定類型的緩存，以實現(xiàn)最佳軟件驅(qū)動速度。我們使用 lru_cache 裝飾器來為斐波那契函數(shù)提供緩存功能，在使用 fibonacci 遞歸函數(shù)時，存在大量的重復(fù)計算，例如 fibonacci(1) 、 fibonacci(2) 就運行了很多次。而在使用了 lru_cache 后，所有的重復(fù)計算只會執(zhí)行一次，從而大大提高程序的執(zhí)行效率。
Exp9：求斐波那契數(shù)列。
測試數(shù)據(jù)：fibonacci(7)。
方法一
方法二
方法一耗時 3.955014900000009s ，方法二耗時 0.05077979999998661s ，性能提升 98.72%
注意事項：
我被執(zhí)行了（執(zhí)行了兩次 demo(1, 2) ，卻只輸出一次）
functools.lru_cache(maxsize=128, typed=False) 的兩個可選參數(shù)：
點運算符( . )用來訪問對象的屬性或方法，這會引起程序使用 __getattribute__() 和 __getattr__() 進行字典查找，從而帶來不必要的開銷。尤其注意，在循環(huán)當(dāng)中，更要減少點運算符的使用，應(yīng)該將它移到循環(huán)外處理。
這啟發(fā)我們應(yīng)該盡量使用 from ... import ... 這種方式來導(dǎo)包，而不是在需要使用某方法時通過點運算符來獲取。其實不光是點運算符，其他很多不必要的運算我們都盡量移到循環(huán)外處理。
Exp10：將字符串?dāng)?shù)組中的小寫字母轉(zhuǎn)為大寫字母。
測試數(shù)組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。
方法一
方法二
方法一耗時 0.7235491999999795s ，方法二耗時 0.5475435999999831s ，性能提升 24.33%
當(dāng)我們知道具體要循環(huán)多少次時，使用 for 循環(huán)比使用 while 循環(huán)更好。
Exp12：使用 for 和 while 分別循環(huán) 100 次。
方法一
方法二
方法一耗時 3.894683299999997s ，方法二耗時 1.0198077999999953s ，性能提升 73.82%
Numba 可以將 Python 函數(shù)編譯碼為機器碼執(zhí)行，大大提高代碼執(zhí)行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循環(huán)中或存在大量計算時能顯著地提高執(zhí)行效率。
Exp12：求從 1 加到 100 的和。
方法一
方法二
方法一耗時 3.7199997000000167s ，方法二耗時 0.23769430000001535s ，性能提升 93.61%
矢量化是 NumPy 中的一種強大功能，可以將操作表達為在整個數(shù)組上而不是在各個元素上發(fā)生。這種用數(shù)組表達式替換顯式循環(huán)的做法通常稱為矢量化。
在 Python 中循環(huán)數(shù)組或任何數(shù)據(jù)結(jié)構(gòu)時，會涉及很多開銷。NumPy 中的向量化操作將內(nèi)部循環(huán)委托給高度優(yōu)化的 C 和 Fortran 函數(shù)，從而使 Python 代碼更加快速。
Exp13：兩個長度相同的序列逐元素相乘。
測試數(shù)組：a = [1,2,3,4,5], b = [2,4,6,8,10]
方法一
方法二
方法一耗時 0.6706845000000214s ，方法二耗時 0.3070132000000001s ，性能提升 54.22%
若要檢查列表中是否包含某成員，通常使用 in 關(guān)鍵字更快。
Exp14：檢查列表中是否包含某成員。
測試數(shù)組：lists = ['life', 'is', 'short', 'i', 'choose', 'python']
方法一
方法二
方法一耗時 0.16038449999999216s ，方法二耗時 0.04139250000000061s ，性能提升 74.19%
itertools 是用來操作迭代器的一個模塊，其函數(shù)主要可以分為三類：無限迭代器、有限迭代器、組合迭代器。
Exp15：返回列表的全排列。
測試數(shù)組：["Alice", "Bob", "Carol"]
方法一
方法二
方法一耗時 3.867292899999484s ，方法二耗時 0.3875405000007959s ，性能提升 89.98%
根據(jù)上面的測試數(shù)據(jù)，我繪制了下面這張實驗結(jié)果圖，可以更加直觀的看出不同方法帶來的性能差異。
從圖中可以看出，大部分的技巧所帶來的性能增幅還是比較可觀的，但也有少部分技巧的增幅較?。ɡ缇幪?、7、8，其中，第 8 條的兩種方法幾乎沒有差異）。
總結(jié)下來，我覺得其實就是下面這兩條原則：
內(nèi)置庫函數(shù)由專業(yè)的開發(fā)人員編寫并經(jīng)過了多次測試，很多庫函數(shù)的底層是用 C 語言開發(fā)的。因此，這些函數(shù)總體來說是非常高效的（比如 sort() 、 join() 等），自己編寫的方法很難超越它們，還不如省省功夫，不要重復(fù)造輪子了，何況你造的輪子可能更差。所以，如果函數(shù)庫中已經(jīng)存在該函數(shù)，就直接拿來用。
有很多優(yōu)秀的第三方庫，它們的底層可能是用 C 和 Fortran 來實現(xiàn)的，像這樣的庫用起來絕對不會吃虧，比如前文提到的 Numpy 和 Numba，它們帶來的提升都是非常驚人的。類似這樣的庫還有很多，比如Cython、PyPy等，這里我只是拋磚引玉。
原文鏈接：
重慶分公司
重慶分公司
