优化Python代码，看这一篇就够了

相信很多程序员都为优化Python代码的问题感到困惑，如何在有限的时间更快地运行代码，并且拥有更优秀的性能呢？今天就给大家提供几个优化Python代码的技巧，希望对大家有所帮助。

1、优化代码和算法

首先，要仔细阅读代码和算法。通过执行更优算法或添加缓存可以解决很多速度问题。具体的准则能写整本书，要遵循的一些通用准则是：

测试，不要猜测。测试代码哪些部分的运行耗费最长时间，首先关注这些部分。

减少内存使用量。通常情况下，请逐行分析一个大型文件，而不先将其存储到内存中。

执行缓存。如果从磁盘，网络和数据库中执行许多重复的搜索，那么执行缓存可能是一个很大的优化。

尽可能减少代码中的迭代次数，尤其减少迭代内部操作的次数。

避免(深度)递归，改用生成器和迭代等。

重用对象，而不是在每次迭代中创建新对象。

2、使用PyPy

CPython，由C语言编写而成。很多人都在用它。但如果确定自己的代码为计算密集型，PyPy会是一个更好的选择。它有是一种快速解决方案，且无需更改单行代码。PyPy在近几年里发展很快，通常可以被用作Python 2和3的直接替代。它也可以与Pipenv等工具完美配合使用。

3、使用Asyncio

Asyncio是Python中一个相对较新的核心库。它与线程解决了相同的问题：即加速了I/O密集型软件系统，但Asyncio实现方式不同。虽然对于初学者来说，Asyncio相当复杂，但这是一种强大的范例，可用于许多高性能应用程序。

4、使用多线程

线程是独立的执行序列。默认情况下，Python程序具有一个主线程。但可以创建更多线程，并让Python在不同线程之间转换。这种转换发生非常快，显得似乎在同时并排运行。不同于其他语言，Python多线程不能同时运行，而是轮流运行，这主要是因为它的全局解释器锁(GIL)的机制。可见，多线程将对I / O密集型软件系统产生巨大影响，但对计算密集型软件系统而言用途甚微。

5、同时使用更多处理器

如果软件系统为计算密集型，则通常可以通过同时使用更多处理器的方式来重写代码。这样，就可以线性扩展执行速度。这被称做并行性。并非所有算法都可以并行运行。例如，简单地并行化递归算法是不可能的。但是几乎总会有一种替代算法可以很好地进行并行工作。

有两种使用更多处理器的方式：在同一台计算机上使用多个处理器和/或内核。在Python中，这可以通过使用多处理库来完成。用计算机网络来使用分布在多台机器上的处理器。我们称其为分布式计算。

不同于线程库，多处理库绕过了Python全局解释器锁。它实际上是通过生成多个Python实例来实现的。因此，使用多线程在一个Python进程中轮流执行，将拥有多个Python处理器来同时运行代码。

通过利用云计算平台，目前可以相对轻松地加快运行速度。例如，可以在云中处理庞大的数据集，并在本地使用结果。使用混合操作方式，可以节省一些成本。

优化Python代码的小技巧你懂了吗？

推荐我们的Python学习扣qun：784758214 ，看看前辈们是如何学习的！从基础的python脚本到web开发、爬虫、django、数据挖掘等【PDF，实战源码】，零基础到项目实战的资料都有整理。送给每一位python的小伙伴！每天都有大牛定时讲解Python技术，分享一些学习的方法和需要注意的小细节，点击加入我们的 python学习者聚集地