如何加速 Python 代码？

1. 优化代码和算法

一定要先好好看看你的代码和算法。许多速度问题可以通过实现更好的算法或添加缓存来解决。本文所述都是关于这一主题的，但要遵循的一些一般指导方针是：

测量，不要猜测。测量代码中哪些部分运行时间最长，先把重点放在那些部分上。
实现缓存。如果你从磁盘、网络和数据库执行多次重复的查找，这可能是一个很大的优化之处。
重用对象，而不是在每次迭代中创建一个新对象。Python 必须清理你创建的每个对象才能释放内存，这就是所谓的“垃圾回收”。许多未使用对象的垃圾回收会大大降低软件速度。
尽可能减少代码中的迭代次数，特别是减少迭代中的操作次数。
避免（深度）递归。对于 Python 解释器来说，它需要大量的内存和维护（Housekeeping）。改用生成器和迭代之类的工具。
减少内存使用。一般来说，尽量减少内存的使用。例如，对一个巨大的文件进行逐行解析，而不是先将其加载到内存中。
不要这样做。听起来很傻是吧？但是你真的需要执行这个操作吗？不能晚点儿再执行吗？或者可以只执行一次，并且它的结果可以存储起来，而不是一遍又一遍地反复计算？

2. 使用 PyPy

你可能正在使用 Python 的参考实现 CPython。之所以称为 CPython，是因为它是用 C 语言编写的。如果你确定你的代码是 CPU 密集型（CPU bound）（如果你不知道这一术语，请参见本文“使用线程”一节）的话，那么你应该研究一下 PyPy，它是 CPython 的替代方案。这可能是一种快速解决方案，无需更改任何一行代码。

PyPy 声称，它的平均速度比 CPython 要快 4.4 倍。它是通过使用一种称为 Just-in-time（JIT，即时编译）技术来实现的。Java 和 .NET 框架就是 JIT 编译的其他著名的例子。相比之下，CPython 使用解释来执行代码。虽然这一做法提供了很大的灵活性，但速度也变得慢了下来。

使用 JIT，你的代码是在运行程序时即时编译的。它结合了 Ahead-of-time（AOT，提前编译）技术的速度优势（由 C 和 C++ 等语言使用）和解释的灵活性。另一个优点是 JIT 编译器可以在运行时不断优化代码。代码运行的时间越长，它就会变得越优化。

PyPy 在过去几年中取得了长足的进步，通常情况下，它可以作为 Python 2 和 Python 3 的简易替换方案。使用 Pipenv 这样的工具，它也可以完美地工作，试试看吧！

3. 使用线程

大部分软件都是 IO 密集型，而不是 CPU 密集型。如果你对这些术语还不熟悉的话，请看看下面的解释：

IO 密集型（I/O bound）：软件主要是等待输入 / 输出操作完成才能工作。在从网络或缓慢的存储中获取数据时，通常会出现这种情况。
CPU 密集型（CPU bound）：软件占用了大量的 CPU 资源。它使用了 CPU 所有的能力来产生所需的结果。

在等待来自网络或磁盘的应答时，你可以使用多个线程使其他部分保持运行状态。

一个线程是一个独立的执行序列。默认情况下，Python 程序有一个主线程。但你可以创建更多的主线程，并让 Python 在它们之间切换。这种切换发生得如此之快，以至于它们看上去就好像是在同时并排运行一样。

但与其他编程语言不同的是，Python 并不是同时运行的，而是轮流运行。这是因为 Python 中有一种全局解释器锁（ Global Interpreter Lock，GIL）机制。这一点，以及 threading 库在我撰写的关于 Python 并发性的文章有详细的解释。

我们得到的结论是，线程对于 IO 密集型的软件有很大的影响，但对 CPU 密集型的软件毫无用处。

这是为什么呢？很简单。当一个线程在等待来自网络的答复时，其他线程可以继续运行。如果你要执行大量的网络请求，线程可以带来巨大的差异。如果你的线程正在进行繁重的计算，那么它们只是等待轮到它们继续计算，线程化只会带来更多的开销。

4. 使用 Asyncio

Asyncio 是 Python 中一个相对较新的核心库。它解决了与线程相同的问题：它加快了 IO 密集型软件的速度，但这是以不同的方式实现的。我将立即坦承我并非 Python 的 asyncio 拥趸。它相当复杂，特别是对于初学者来说。我遇到的另一个问题是， asyncio 库在过去几年中有了很大的发展。网上的教程和示例代码常常已经过时。不过，这并不意味着它就毫无用处。

5 同时使用多个处理器

如果你的软件是 CPU 密集型的，你通常可以用一种可以同时使用更多处理器的方式重写你的代码。通过这种方式，你就可以线性地调整执行速度。

这就是所谓的并行性，但并不是所有的算法都可以并行运行。例如，简单的将递归算法进行并行化是不可能的。但是几乎总有一种替代算法可以很好地并行工作。

使用更多处理处理器有两种方式：

在同一台机器内使用多个处理器和 / 或内核。在 Python 中，这可以通过 multiprocessing 库来完成。
使用计算机网络来使用多个处理器，分布在多台计算机上。我们称之为分布式计算。

这篇关于 Python 并发性的文章侧重于介绍如何在一台机器的范围内扩展 Python 软件的方法。它还介绍了 multiprocessing 库。如果你认为这是你需要的资料，一定要去看看。

与 threading 库不同， multiprocessing 库绕过了 Python 的全局解释器锁。它实际上是通过派生多个 Python 实例来实现这一点的。因此，现在你可以让多个 Python 进程同时运行你的代码，而不是在单个 Python 进程中轮流运行线程。

multiprocessing 库和 threading 库非常相似。可能出现的问题是：为什么还要考虑线程呢？答案是可以猜得到的。线程是“轻量”的：它需要更少的内存，因为它只需要一个正在运行的 Python 解释器。产生新进程也还有其开销。因此，如果你的代码是 IO 密集型的，线程可能就足够好了。

一旦你实现了软件的并行工作，那么在使用 Hadoop 之类的分布式计算方面就前进了一小步。通过利用云计算平台，你可以相对轻松地进行扩展规模。例如，你可以在云端中处理大型数据集，并在本地使用结果。使用混合操作的方式，你可以节省一些资金，因为云端中的算力非常昂贵。

总结

总结起来就是：

首先考虑优化你的算法和代码。
如果原始速度可以解决你的问题，请考虑使用 PyPy。
对 IO 密集型软件使用 threading 库和 asyncio 。
使用 multiprocessing 库解决 CPU 密集型问题。
如果所有这些措施还不够的话，可以利用 Hadoop 等云计算平台进行扩展规模。

作者介绍：Erik-Jan van Baaren，作家、软件 / 数据工程师。
延伸阅读：https://towardsdatascience.com/how-to-speed-up-your-python-code-d31927691012

链接: https://fly63.com/article/detial/8510