文章目录
- 1 基础策略和原则
-
- 1.1 常见的优化策略
- 1.2 基本的优化原则
- 1.3 避免全局变量
- 2 避免模块和函数属性访问
-
- 2.1 不推荐写法【32s】
- 2.2 消除属性访问(优化1)【28s】
- 2.3 局部变量加速(优化2)【24s】
- 2.4 局部继续加速(优化3)【22s】
- 2.5 减少内层for循环计算(优化4)【14s】
- 2.5 使用numba.jit(优化5)【4s】
- 3 避免数据复制
-
- 3.1 不推荐写法【8s】
- 3.2 采用join()优化【0.2s】
- 4 选择合适的数据结构
- 5 参考附录
1 基础策略和原则
1.1 常见的优化策略
Python代码的加速可以通过多种方式实现，具体取决于你的代码性质和需求。
以下是一些常见的优化策略：
(1)算法优化：审查并优化你的算法。使用更高效的算法或数据结构可以显著提高性能。
(2)内置函数和库：尽量使用Python内置函数和标准库中的函数，因为它们通常是用C 实现的，速度更快。使用如NumPy和Pandas这样的高效库处理大量数值计算。
(3)循环优化：减少循环次数，避免不必要的循环嵌套。使用列表推导式(list comprehension)代替for循环创建列表。将循环内的不变表达式移出循环。
(4)减少全局变量访问：局部变量的访问速度比全局变量快，尽量将频繁使用的全局变量作为参数传递给函数。
(5)使用生成器：当处理大数据集时，使用生成器(generators)来节省内存并提高效率。
(6)多线程或多进程：对于I/O密集型任务，可以使用多线程；对于CPU密集型任务，考虑使用多进程以绕过GIL(全局解释器锁)。
(7)Cython或PyPy：Cython可以编译Python代码为C 展，从而提高执行速度。PyPy是一个兼容Python的解释器，通常对许
标签：函数,python,代码,45,Python,循环,使用,全局变量,优化 From： https://blog.csdn.net/qq_20466211/article/details/133376369