高效编程技巧：提升 Python 代码性能的秘籍

于 2025-03-18 21:15:42 发布
阅读量941 收藏 19
点赞数 30
CC 4.0 BY-SA版权
文章标签： java 算法 数据结构
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/xiayan827/article/details/146352689

目录

一、引言

二、选择合适的数据结构

（一）列表与集合的选择

（二）字典与默认字典

三、优化算法与代码逻辑

（一）减少循环中的计算

（二）使用生成器表达式

四、利用 Python 的内置函数和库

（一）使用内置函数

（二）使用优化的第三方库

五、总结

一、引言

Python 作为一种广泛应用的编程语言，以其简洁、易读的语法和丰富的库而备受开发者喜爱。然而，在处理大规模数据或对性能要求较高的场景中，Python 代码的性能可能成为瓶颈。本文将深入探讨一系列提升 Python 代码性能的实用技巧，帮助开发者编写出高效、优化的代码。

二、选择合适的数据结构

（一）列表与集合的选择

列表（list）和集合（set）在 Python 中都用于存储多个元素，但它们的内部实现和性能特点有所不同。列表是有序的可变序列，适合需要保留元素顺序的场景。例如，在遍历一个按特定顺序排列的数据集合时，列表是较好的选择。然而，在进行成员检查（如判断某个元素是否在集合中）时，列表的时间复杂度为 O (n)，随着元素数量的增加，检查时间会显著增长。

集合是无序的可变容器，它基于哈希表实现，成员检查的时间复杂度为 O (1)，在需要频繁进行成员检查的场景下，集合的性能优势明显。比如，在处理大量用户 ID，需要快速判断某个 ID 是否存在时，使用集合能大幅提高效率。

 

# 列表成员检查示例
 

my_list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
 

import timeit
 

start_time = timeit.default_timer()
 

for _ in range(10000):
 

if 5 in my_list:
 

pass
 

end_time = timeit.default_timer()
 

print(f"列表成员检查时间: {end_time - start_time}")
 

# 集合成员检查示例
 

my_set = set(my_list)
 

start_time = timeit.default_timer()
 

for _ in range(10000):
 

if 5 in my_set:
 

pass
 

end_time = timeit.default_timer()
 

print(f"集合成员检查时间: {end_time - start_time}")
 

# 列表成员检查示例
 

my_list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
 

import timeit
 

start_time = timeit.default_timer()
 

for _ in range(10000):
 

if 5 in my_list:
 

pass
 

end_time = timeit.default_timer()
 

print(f"列表成员检查时间: {end_time - start_time}")
 

# 集合成员检查示例
 

my_set = set(my_list)
 

start_time = timeit.default_timer()
 

for _ in range(10000):
 

if 5 in my_set:
 

pass
 

end_time = timeit.default_timer()
 

print(f"集合成员检查时间: {end_time - start_time}")
 

# 列表成员检查示例
 

my_list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
 

import timeit
 

start_time = timeit.default_timer()
 

for _ in range(10000):
 

if 5 in my_list:
 

pass
 

end_time = timeit.default_timer()
 

print(f"列表成员检查时间: {end_time - start_time}")
 

# 集合成员检查示例
 

my_set = set(my_list)
 

start_time = timeit.default_timer()
 

for _ in range(10000):
 

if 5 in my_set:
 

pass
 

end_time = timeit.default_timer()
 

print(f"集合成员检查时间: {end_time - start_time}")
 

运行上述代码，会发现集合的成员检查速度远远快于列表。
 

（二）字典与默认字典
 

字典（dict）是 Python 中常用的键值对存储结构，它提供了快速的查找和插入操作，时间复杂度平均为 O (1)。在某些情况下，当访问不存在的键时，我们希望字典能返回一个默认值，这时可以使用默认字典（defaultdict）。默认字典是字典的子类，在创建时需要传入一个可调用对象（如 int、list、set 等）作为默认值的生成器。
 

 

from collections import defaultdict
 

# 普通字典访问不存在键的情况
 

my_dict = {}
 

try:
 

value = my_dict['non_existent_key']
 

except KeyError:
 

value = 0
 

my_dict['non_existent_key'] = value
 

# 默认字典访问不存在键的情况
 

my_default_dict = defaultdict(int)
 

value = my_default_dict['non_existent_key']
 

from collections import defaultdict
 

# 普通字典访问不存在键的情况
 

my_dict = {}
 

try:
 

value = my_dict['non_existent_key']
 

except KeyError:
 

value = 0
 

my_dict['non_existent_key'] = value
 

# 默认字典访问不存在键的情况
 

my_default_dict = defaultdict(int)
 

value = my_default_dict['non_existent_key']
 

from collections import defaultdict
 

# 普通字典访问不存在键的情况
 

my_dict = {}
 

try:
 

value = my_dict['non_existent_key']
 

except KeyError:
 

value = 0
 

my_dict['non_existent_key'] = value
 

# 默认字典访问不存在键的情况
 

my_default_dict = defaultdict(int)
 

value = my_default_dict['non_existent_key']
 

使用默认字典可以简化代码，避免繁琐的键存在性检查，同时在一定程度上提高代码的执行效率。
 

三、优化算法与代码逻辑
 

（一）减少循环中的计算
 

在循环中，应尽量减少不必要的计算。将循环内的常量计算或不依赖循环变量的计算移到循环外部。例如：
 

 

# 未优化的代码
 

result = []
 

for i in range(1000):
 

factor = 2 * 3.14159
 

value = i * factor
 

result.append(value)
 

# 优化后的代码
 

factor = 2 * 3.14159
 

result = []
 

for i in range(1000):
 

value = i * factor
 

result.append(value)
 

# 未优化的代码
 

result = []
 

for i in range(1000):
 

factor = 2 * 3.14159
 

value = i * factor
 

result.append(value)
 

# 优化后的代码
 

factor = 2 * 3.14159
 

result = []
 

for i in range(1000):
 

value = i * factor
 

result.append(value)
 

# 未优化的代码
 

result = []
 

for i in range(1000):
 

factor = 2 * 3.14159
 

value = i * factor
 

result.append(value)
 

# 优化后的代码
 

factor = 2 * 3.14159
 

result = []
 

for i in range(1000):
 

value = i * factor
 

result.append(value)
 

在上述示例中，将常量计算移到循环外，避免了在每次循环时重复计算，从而提高了代码性能。
 

（二）使用生成器表达式
 

生成器表达式是一种简洁高效的创建生成器的方式。与列表推导式相比，生成器表达式不会立即生成整个列表，而是在迭代时逐个生成元素，因此更节省内存。例如，计算 1 到 1000000 的平方和，可以使用生成器表达式：
 

 

# 使用列表推导式
 

import timeit
 

start_time = timeit.default_timer()
 

squares_list = [i**2 for i in range(1, 1000001)]
 

sum_squares_list = sum(squares_list)
 

end_time = timeit.default_timer()
 

print(f"列表推导式计算时间: {end_time - start_time}")
 

# 使用生成器表达式
 

start_time = timeit.default_timer()
 

sum_squares_generator = sum(i**2 for i in range(1, 1000001))
 

end_time = timeit.default_timer()
 

print(f"生成器表达式计算时间: {end_time - start_time}")
 

# 使用列表推导式
 

import timeit
 

start_time = timeit.default_timer()
 

squares_list = [i**2 for i in range(1, 1000001)]
 

sum_squares_list = sum(squares_list)
 

end_time = timeit.default_timer()
 

print(f"列表推导式计算时间: {end_time - start_time}")
 

# 使用生成器表达式
 

start_time = timeit.default_timer()
 

sum_squares_generator = sum(i**2 for i in range(1, 1000001))
 

end_time = timeit.default_timer()
 

print(f"生成器表达式计算时间: {end_time - start_time}")
 

# 使用列表推导式
 

import timeit
 

start_time = timeit.default_timer()
 

squares_list = [i**2 for i in range(1, 1000001)]
 

sum_squares_list = sum(squares_list)
 

end_time = timeit.default_timer()
 

print(f"列表推导式计算时间: {end_time - start_time}")
 

# 使用生成器表达式
 

start_time = timeit.default_timer()
 

sum_squares_generator = sum(i**2 for i in range(1, 1000001))
 

end_time = timeit.default_timer()
 

print(f"生成器表达式计算时间: {end_time - start_time}")
 

运行结果表明，生成器表达式在计算效率和内存使用上都优于列表推导式。
 

四、利用 Python 的内置函数和库
 

（一）使用内置函数
 

Python 的内置函数经过高度优化，运行效率通常比自定义函数高。例如，在对列表进行排序时，应优先使用内置的 sorted 函数，而不是自己编写排序算法。
 

 

my_list = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
 

# 自定义排序函数（简单冒泡排序示例，效率较低）
 

def custom_sort(lst):
 

n = len(lst)
 

for i in range(n):
 

for j in range(0, n - i - 1):
 

if lst[j] > lst[j + 1]:
 

lst[j], lst[j + 1] = lst[j + 1], lst[j]
 

return lst
 

import timeit
 

start_time = timeit.default_timer()
 

custom_sort(my_list)
 

end_time = timeit.default_timer()
 

print(f"自定义排序时间: {end_time - start_time}")
 

start_time = timeit.default_timer()
 

sorted(my_list)
 

end_time = timeit.default_timer()
 

print(f"内置sorted函数排序时间: {end_time - start_time}")
 

my_list = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
 

# 自定义排序函数（简单冒泡排序示例，效率较低）
 

def custom_sort(lst):
 

n = len(lst)
 

for i in range(n):
 

for j in range(0, n - i - 1):
 

if lst[j] > lst[j + 1]:
 

lst[j], lst[j + 1] = lst[j + 1], lst[j]
 

return lst
 

import timeit
 

start_time = timeit.default_timer()
 

custom_sort(my_list)
 

end_time = timeit.default_timer()
 

print(f"自定义排序时间: {end_time - start_time}")
 

start_time = timeit.default_timer()
 

sorted(my_list)
 

end_time = timeit.default_timer()
 

print(f"内置sorted函数排序时间: {end_time - start_time}")
 

my_list = [3, 1, 4, 1, 5, 9, 2, 6, 5, 3, 5]
 

# 自定义排序函数（简单冒泡排序示例，效率较低）
 

def custom_sort(lst):
 

n = len(lst)
 

for i in range(n):
 

for j in range(0, n - i - 1):
 

if lst[j] > lst[j + 1]:
 

lst[j], lst[j + 1] = lst[j + 1], lst[j]
 

return lst
 

import timeit
 

start_time = timeit.default_timer()
 

custom_sort(my_list)
 

end_time = timeit.default_timer()
 

print(f"自定义排序时间: {end_time - start_time}")
 

start_time = timeit.default_timer()
 

sorted(my_list)
 

end_time = timeit.default_timer()
 

print(f"内置sorted函数排序时间: {end_time - start_time}")
 

显然，内置的 sorted 函数在排序效率上远超自定义的简单冒泡排序函数。
 

（二）使用优化的第三方库
 

对于数值计算、科学计算等任务，使用经过优化的第三方库能显著提升性能。例如，NumPy 库针对数组操作进行了高度优化，其底层使用 C 语言实现，相比纯 Python 的列表操作，速度有数量级的提升。
 

 

import numpy as np
 

import timeit
 

# 纯Python列表计算
 

my_list = list(range(1, 1000001))
 

start_time = timeit.default_timer()
 

sum_list = sum([i**2 for i in my_list])
 

end_time = timeit.default_timer()
 

print(f"纯Python列表计算时间: {end_time - start_time}")
 

# 使用NumPy数组计算
 

my_array = np.arange(1, 1000001)
 

start_time = timeit.default_timer()
 

sum_array = np.sum(my_array**2)
 

end_time = timeit.default_timer()
 

print(f"NumPy数组计算时间: {end_time - start_time}")
 

import numpy as np
 

import timeit
 

# 纯Python列表计算
 

my_list = list(range(1, 1000001))
 

start_time = timeit.default_timer()
 

sum_list = sum([i**2 for i in my_list])
 

end_time = timeit.default_timer()
 

print(f"纯Python列表计算时间: {end_time - start_time}")
 

# 使用NumPy数组计算
 

my_array = np.arange(1, 1000001)
 

start_time = timeit.default_timer()
 

sum_array = np.sum(my_array**2)
 

end_time = timeit.default_timer()
 

print(f"NumPy数组计算时间: {end_time - start_time}")
 

import numpy as np
 

import timeit
 

# 纯Python列表计算
 

my_list = list(range(1, 1000001))
 

start_time = timeit.default_timer()
 

sum_list = sum([i**2 for i in my_list])
 

end_time = timeit.default_timer()
 

print(f"纯Python列表计算时间: {end_time - start_time}")
 

# 使用NumPy数组计算
 

my_array = np.arange(1, 1000001)
 

start_time = timeit.default_timer()
 

sum_array = np.sum(my_array**2)
 

end_time = timeit.default_timer()
 

print(f"NumPy数组计算时间: {end_time - start_time}")
 

从运行结果可以看出，使用 NumPy 库进行数值计算的速度远远快于纯 Python 列表操作。
 

五、总结
 

通过合理选择数据结构、优化算法与代码逻辑以及充分利用 Python 的内置函数和第三方库，开发者能够显著提升 Python 代码的性能。在实际编程中，应根据具体的应用场景和需求，灵活运用这些技巧，编写出高效、健壮的 Python 代码。同时，随着 Python 语言的不断发展和优化，新的性能提升方法也将不断涌现，开发者需要持续关注和学习，以适应不断变化的编程环境。
 

Python代码性能优化
 

图注：Python 代码性能优化流程示意图

                

        

    

    
  



    

      

        

            

              
                
                  xiayan827
                
              
            

            

                关注
              
            

        

        

          
      

      










            

  



          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值