Python 速度的优化技巧

错误 #1：像1999那样循环

我和其他开发者一样，对精心制作的for循环有着强烈的喜爱。它们构成了我们工作的很大一部分基础。然而，当讨论纯粹的速度时，特别是处理大型数据集时，那些可靠的循环开始显得更像是负担而不是助力。

示例：让我们加一些数字

想象你需要计算一个巨大数字列表的平方和。以下是循环的方式：

numbers = [1, 2, 3, 4, 5, ... , 10000]  # A big list
total = 0
for number in numbers:
    squared = number * number
    total += squared

看起来无害，对吧？但在幕后，Python为每个元素进行了大量的单独计算。

修复方法：NumPy来拯救！

这就是NumPy像超级英雄一样出现的地方。它全是关于矢量化——一次性对整个数组执行操作。让我们重写那个示例：

import numpy as np

numbers = np.array([1, 2, 3, 4, 5, ... , 10000])  
squared = numbers * numbers  # Vectorized squaring!
total = squ