7月安卓手機好評榜：三星S23Ultra好評率第一
性能榜和性價比榜之后，我們來看最后的安卓手機好評榜，數據來源安兔兔評測，收集時間2023年7月1日至7月31日，僅限國內市場。第一名：三星Galaxy S23 Ultra好評率：95.71%在即將迎來新
哈嘍大家好，我是咸魚
我們經常聽到 “Python 太慢了”，“Python 性能不行”這樣的觀點。但是，只要掌握一些編程技巧，就能大幅提升 Python 的運行速度。
今天就讓我們一起來看下讓 Python 性能更高的 9 個小技巧
原文鏈接：
https://medium.com/techtofreedom/9-fabulous-python-tricks-that-make-your-code-more-elegant-bf01a6294908
如果有大量字符串等待處理，字符串連接將成為 Python 的瓶頸。
一般來講，Python 中有兩種字符串拼接方式：
那么哪種方式更快呢？我們一起來看一下
mylist = ["Yang", "Zhou", "is", "writing"]# Using '+'def concat_plus(): result = "" for word in mylist: result += word + " " return result# Using 'join()'def concat_join(): return " ".join(mylist)# Directly concatenation without the listdef concat_directly(): return "Yang" + "Zhou" + "is" + "writing"import timeitprint(timeit.timeit(concat_plus, number=10000))# 0.002738415962085128print(timeit.timeit(concat_join, number=10000))# 0.0008482920238748193print(timeit.timeit(concat_directly, number=10000))# 0.00021425005979835987如上所示，對于拼接字符串列表， join() 方法比在 for 循環中逐個添加字符串更快。
原因很簡單。一方面，字符串是 Python 中的不可變數據，每個 += 操作都會導致創建一個新字符串并復制舊字符串，這會導致非常大的開銷。
另一方面，.join() 方法是專門為連接字符串序列而優化的。它預先計算結果字符串的大小，然后一次性構建它。因此，它避免了與循環中 += 操作相關的開銷，因此速度更快。
但是，我們發現最快其實是直接用 + 拼接字符串，這是因為：
總之，如果需要拼接字符串列表，請選擇 join() ；如果直接拼接字符串，只需使用 + 即可。
Python 中創建列表的兩種常見方法是：
我們來看下這兩種方法的性能
import timeitprint(timeit.timeit('[]', number=10 ** 7))# 0.1368238340364769print(timeit.timeit(list, number=10 ** 7))# 0.2958830420393497結果表明，執行 list() 函數比直接使用 [] 要慢。
這是因為 是 [] 字面語法(literal syntax)，而 list() 是構造函數調用。毫無疑問，調用函數需要額外的時間。
同理，在創建字典時，我們也應該利用 {} 而不是 dict()
成員關系測試的性能很大程度上取決于底層數據結構
import timeitlarge_dataset = range(100000)search_element = 2077large_list = list(large_dataset)large_set = set(large_dataset)def list_membership_test(): return search_element in large_listdef set_membership_test(): return search_element in large_setprint(timeit.timeit(list_membership_test, number=1000))# 0.01112208398990333print(timeit.timeit(set_membership_test, number=1000))# 3.27499583363533e-05如上面的代碼所示，集合中的成員關系測試比列表中的成員關系測試要快得多。
這是為什么呢？
這里的技巧重點是在編寫程序時仔細考慮底層數據結構。利用正確的數據結構可以顯著加快我們的代碼速度。
Python 中有四種類型的推導式：列表、字典、集合和生成器。它們不僅為創建相對數據結構提供了更簡潔的語法，而且比使用 for 循環具有更好的性能。
因為它們在 Python 的 C 實現中進行了優化。
import timeitdef generate_squares_for_loop(): squares = [] for i in range(1000): squares.append(i * i) return squaresdef generate_squares_comprehension(): return [i * i for i in range(1000)]print(timeit.timeit(generate_squares_for_loop, number=10000))# 0.2797503340989351print(timeit.timeit(generate_squares_comprehension, number=10000))# 0.2364629579242319上面的代碼是列表推導式和 for 循環之間的簡單速度比較。如結果所示，列表推導式速度更快。
在 Python 中，訪問局部變量比訪問全局變量或對象的屬性更快。
import timeitclass Example: def __init__(self): self.value = 0obj = Example()def test_dot_notation(): for _ in range(1000): obj.value += 1def test_local_variable(): value = obj.value for _ in range(1000): value += 1 obj.value = valueprint(timeit.timeit(test_dot_notation, number=1000))# 0.036605041939765215print(timeit.timeit(test_local_variable, number=1000))# 0.024470250005833805原理也很簡單：當編譯一個函數時，它內部的局部變量是已知的，但其他外部變量需要時間來檢索。
當我們討論 Python 的時候，通常指的是 CPython，因為 CPython 是 Python 語言的默認和使用最廣泛的實現。
考慮到它的大多數內置模塊和庫都是用C語言編寫的，C語言是一種更快、更低級的語言，我們應該利用它的內置庫，避免重復造輪子。
import timeitimport randomfrom collections import Counterdef count_frequency_custom(lst): frequency = {} for item in lst: if item in frequency: frequency[item] += 1 else: frequency[item] = 1 return frequencydef count_frequency_builtin(lst): return Counter(lst)large_list = [random.randint(0, 100) for _ in range(1000)]print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))# 0.005160166998393834print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))# 0.002444291952997446上面的程序比較了計算列表中元素頻率的兩種方法。正如我們所看到的，利用 collections 模塊的內置計數器比我們自己編寫 for 循環更快、更簡潔、更好。
緩存是避免重復計算和提高程序速度的常用技術。
幸運的是，在大多數情況下，我們不需要編寫自己的緩存處理代碼，因為 Python 提供了一個開箱即用的裝飾器 — @functools.cache 。
例如，以下代碼將執行兩個斐波那契數生成函數，一個具有緩存裝飾器，但另一個沒有：
import timeitimport functoolsdef fibonacci(n): if n in (0, 1): return n return fibonacci(n - 1) + fibonacci(n - 2)@functools.cachedef fibonacci_cached(n): if n in (0, 1): return n return fibonacci_cached(n - 1) + fibonacci_cached(n - 2)# Test the execution time of each functionprint(timeit.timeit(lambda: fibonacci(30), number=1))# 0.09499712497927248print(timeit.timeit(lambda: fibonacci_cached(30), number=1))# 6.458023563027382e-06可以看到 functools.cache 裝飾器如何使我們的代碼運行得更快。
緩存版本的速度明顯更快，因為它緩存了先前計算的結果。因此，它只計算每個斐波那契數一次，并從緩存中檢索具有相同參數的后續調用。
如果要創建無限 while 循環，我們可以使用 while True or while 1 .
它們的性能差異通常可以忽略不計。但有趣的是， while 1 稍微快一點。
這是因為是 1 字面量，但 True 是一個全局名稱，需要在 Python 的全局作用域中查找。所以 1 的開銷很小。
import timeitdef loop_with_true(): i = 0 while True: if i >= 1000: break i += 1def loop_with_one(): i = 0 while 1: if i >= 1000: break i += 1print(timeit.timeit(loop_with_true, number=10000))# 0.1733035419601947print(timeit.timeit(loop_with_one, number=10000))# 0.16412191605195403正如我們所看到的，確實 while 1 稍微快一些。
然而，現代 Python 解釋器(如 CPython )是高度優化的，這種差異通常是微不足道的。所以我們不需要擔心這個可以忽略不計的差異。更不用說 while True 比 while 1 可讀性更好。
在 Python 腳本開頭導入所有模塊似乎是每個人都會這么做的操作，事實上我們沒有必要導入全部的模塊。如果模塊太大，則根據需要導入它是一個更好的主意。
def my_function(): import heavy_module # rest of the function如上面的代碼所示，heavy_module 在函數中導入。這是一種“延遲加載”的思想：只有 my_function 被調用的時候該模塊才會被導入。
這種方法的好處是，如果 my_function 在腳本執行期間從未調用過，則 heavy_module 永遠不會加載，從而節省資源并減少腳本的啟動時間。
本文鏈接：http://www.tebozhan.com/showinfo-26-58996-0.html九個讓你的 Python 代碼更快的小技巧
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 六個必知的PyCharm實用技巧
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號