Python代码优化
3
Profile (do this first!)
有很多方法可以对Python代码进行分析，但我将提到两种：cProfile（或profile）模块和PyCallGraph。
cProfile
这是你应该使用的，尽管解释结果可能有点令人生畏。它通过记录每个函数何时进入或退出以及调用函数是什么（并跟踪异常）来工作。
你可以像这样在cProfile中运行一个函数：
import cProfile
cProfile.run('myFunction()', 'myFunction.profile')
然后查看结果：
import pstats
stats = pstats.Stats('myFunction.profile')
stats.strip_dirs().sort_stats('time').print_stats()
这将向您展示程序中大部分时间花费在哪些函数中。
PyCallGraph
PyCallGraph 提供了一种最美观、最简单的方式来对 Python 程序进行分析，以便了解程序中时间的分配情况。然而，它会增加显著的执行开销。
运行 pycallgraph 的方法如下：
pycallgraph graphviz ./myprogram.py
简单！你将获得一个png图像作为输出（也许需要一段时间...）
使用库
如果你想在Python中实现某些功能，而已经存在一个模块（甚至是标准库中的），那么请使用该模块！
大多数标准库模块都是用C编写的，它们将比等效的Python实现（例如二分搜索）快上数百倍。
让解释器尽可能地完成你的工作
解释器会为你做一些事情，比如循环。真的吗？是的！你可以使用map、reduce和filter关键字来显著加速紧密循环：
考虑：
for x in xrange(0, 100):
doSomethingWithX(x)
vs：
map(doSomethingWithX, xrange(0,100))
显然，这会更快，因为解释器只需要处理单个语句而不是两个，但这有点模糊...事实上，这有两个原因更快：
- 所有的流程控制（我们是否已经完成了循环等）在解释器中完成
- doSomethingWithX函数名仅被解析一次
在for循环中，每次循环时Python都必须检查doSomethingWithX函数的确切位置！即使使用缓存也会有一定的开销。
请记住Python是一种解释性语言
（请注意，本节内容主要涉及微小的优化，您不应该让它们影响您的正常、易读的编码风格！） 如果您来自编译语言（像C或Fortran）的编程背景，则某些关于不同Python语句性能的事情可能会令人惊讶：
try:操作廉价，if操作昂贵
如果您有以下代码：
if somethingcrazy_happened:
uhOhBetterDoSomething()
else:
doWhatWeNormallyDo()
如果发生了什么疯狂的事情，doWhatWeNormallyDo() 将会抛出异常，那么将代码排列成这样会更快：
try:
doWhatWeNormallyDo()
except SomethingCrazy:
uhOhBetterDoSomething()
为什么？因为解释器可以直接开始执行你通常做的事情；而在第一种情况下，每次执行if语句时，解释器都必须进行符号查找，因为自上次执行该语句以来，名称可能指代不同的内容！（如果somethingcrazy_happened是全局的，名称查找可能会很困难。）
你是说谁？？
由于名称查找的成本，将全局值缓存到函数中，并将简单的布尔测试内置到此类函数中，也可以更好地优化：
未优化的函数：
def foo():
if condition_that_rarely_changes:
doSomething()
else:
doSomethingElse()
优化方案是利用解释器已经在查找函数名称的事实，而不是使用变量！
当条件成立时：
foo = doSomething # now foo() calls doSomething()
当条件变为假时：
foo = doSomethingElse # now foo() calls doSomethingElse()
PyPy
PyPy是用Python编写的Python实现。这是否意味着它会无限慢地运行代码？其实不是这样的。PyPy实际上使用了即时编译器（JIT）来运行Python程序。
如果您不使用任何外部库（或者您使用的库与PyPy兼容），那么这是一种极为简单的方法，可以（几乎肯定地）加速程序中重复的任务。
基本上，JIT可以生成将执行Python解释器所需操作的代码，但速度要快得多，因为它是为单个情况生成的，而不必处理每个可能的合法Python表达式。
下一步该去哪里
当然，你应该首先优化你的算法和数据结构，考虑像缓存这样的东西，甚至是否需要在第一时间做这么多事情，但无论如何：
这个页面提供了大量有关如何加速Python代码的信息，尽管其中一些已经过时了。
这里是BDFL himself关于优化循环的主题。
从我的有限经验中，还有很多事情我没有提到，但是这个答案已经够长了！
这完全基于我的最近一些使用Python代码时，速度不够快的经验。我想再次强调，我并不认为我提出的任何建议都是好主意，但有时候你必须...5
for pair in range(i-1, j):
if coordinates[pair][0] >= 0 and coordinates[pair][1] >= 0:
这句话可以更简单地写成：
for coord in coordinates[i-1:j]:
if coord[0] >= 0 and cood[1] >= 0:
列表推导式很酷，也很“Pythonic”，但是如果您不创建4个列表，这段代码可能会更快地运行：
N = int(raw_input())
coordinates = []
coordinates = [raw_input() for i in xrange(N)]
coordinates = [pair.split(" ") for pair in coordinates]
coordinates = [[int(pair[0]), int(pair[1])] for pair in coordinates]
我建议将所有这些内容合并成一个简单的循环，或者如果你真的非常想使用列表推导式，可以把多重转换封装到一个函数中，该函数可操作raw_input()。
2
3
原文链接