Python即是面向过程语言，也是面向对象语言，更多情况下充当脚本语言的角色。虽是脚本语言，但同样涉及到代码优化的问题，代码优化能够让程序运行更快，它是在不改变程序运行结果的情况下使程序运行效率更高，根据80/20原则，实现程序的重构、优化、扩展以及文档相关的事情通常需要消耗80%的工作量。
优化通常包含两方面的内容：
1.
减小代码的体积、提高代码的可读性及可维护性。
2.
改进算法，降低代码复杂度，提高代码运行效率。
选择合适的数据结构一个良好的算法能够对性能起到关键作用，因此性能改进的首要点是对算法的改进。
在算法的时间复杂度排序上依次是：
O(1) > O(lg n) > O(n lg n) > O(n^2) > O(n^3) > O(n^k) > O(k^n) > O(n!)
比如说字典是哈希结构，遍历字典算法复杂度是O(1),而列表算法复杂度是O(n)，因此查找对象字典比列表快。
下面列出一些代码优化的技巧，以概要方式总结。由于时间关系，只总结其中一部分，以后会持续更新。
【说明】
测试的工具: 包括time模块，timeit模块，profile模块或cProfile模块
验证的方式:包括Python Shell，iPython，Python脚本
测试的环境: 包括Python 2.7.6，IPython 2.3.1
NOTE:
1.
一般来说c开头是c语言实现，速度更快些，比如cProfile就比profile快。cPickle比pickle快。
2. 一般来说Python版本较高，在速度上都有很大提升，所以测试环境不同，结果不一样。
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【+= 比 +快】
从Python2.0开始，增加了增强性数据类型，比如说
X += Y
等价于X = X + Y
1. 就优化来说，左侧只需计算一次。在X += Y中，X可以使复杂的对象表达式。在增强形式中，则只需要计算一次。
然而，在完整的X = X + Y中，X出现两次，必须执行两次。因此增强赋值语句通常更快些。
In [4]: Timer('S = S + "eggs"','S = "SPAM"').timeit()
Out[4]: 2.8523161220051065
In [5]: Timer('S += "eggs"','S = "SPAM"').timeit()
Out[5]: 2.602857082653941
2. 优化技术会自动选择，对于支持原处修改的对象而言，增强形式会自动执行原处的修改运算，而不是相比来说速度更慢的复制。
普通复制:
>>> M = [1,2,3] >>> L = M >>> M = M + [5] >>> M;L [1, 2, 3, 4] [1, 2, 3]
原处修改:
>>> M = [1,2,3]
>>> L = M
>>> M += [4]
>>> M;L
[1, 2, 3, 4]
[1, 2, 3, 4]
>>> Timer('L = L + [4,5,6]','L = [1,2,3]').timeit(20000)
4.324376213615835
>>> Timer('L += [4,5,6]','L = [1,2,3]').timeit(20000)
0.005897484107492801
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【可变对象内置函数比合并操作快】
第一种方法: 普通添加来实现
>>> L = [1,2,3] >>> L = L + [4] >>> L [1, 2, 3, 4]
第二种方法: 内置函数来实现
>>> L = [1,2,3] >>> L.append(4) >>> L [1, 2, 3, 4]
其所花费的时间，相差数百倍:
>>> Timer('L = L + [4]','L = [1,2,3]').timeit(50000)
8.118179033256638
>>> Timer('L.append(4)','L = [1,2,3]').timeit(50000) #内置函数append()方法
0.01078882192950914
>>> Timer('L.extend([4])','L = [1,2,3]').timeit(50000) #内置函数extend()方法
0.020846637858539907
普通的合并操作虽然没有共享引用带来的副作用，与等效的原处修改相比，但速度很慢，合并操作必须建立新的对象，复制左侧的列表，再复制右侧的列表。与之相比的是：在原处的修改法只会在内存块的末尾添加元素。
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【布尔测试比边界测试快】
>>> Timer('X < Y and Y < Z','X=1;Y=2;Z=3').timeit(100000000) #布尔测试
7.142944090197389
>>> Timer('X < Y < Z','X=1;Y=2;Z=3').timeit(100000000) #边界测试，判断Y结余X,Z之间
11.501173499654769
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【短路运算比and运算快】
在Python中，if用于条件判断，有下面几种情况
X and Y: X与Y同时为真，方为真
X or Y: X或Y任一位真，就为真， 也叫短路运算，即如果前面为真，后面则不判断
not X: X为假时方为真
In [28]: Timer('2 or 3').timeit(100000000) #短路运算:前面为真，后面不运算，所以速度快些
Out[28]: 3.780060393088206
In [29]: Timer('2 and 3').timeit(100000000) #and，必须运算为所有的，速度相对慢些
Out[29]: 4.313562268420355
In [30]: Timer('0 or 1').timeit(100000000) #or运算，但前面为假，所以和前面速度相当
Out[30]: 4.251177957004984
In [31]: Timer('not 0').timeit(100000000) #not运算，只需要判断一个条件，速度快些
Out[31]: 3.6270803685183637
在前面三个表达式中，短路运算和not运算无疑速度快些，and运算和or中前面条件为假者速度慢些。
所以在程序中适当使用，可以提高程序效率.
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【append比insert速度快】
列表的append方法要比insert方法快的多，因为后续的引用必须被移动以便使新元素腾地方.
复杂度append末尾添加,复杂度O(1)，而insert复杂度是O(n)
>>> Timer('L.append(4)','L=[1,2,3,5,6]').timeit(200000)
0.03233202260122425
>>> Timer('L.insert(3,4)','L=[1,2,3,5,6]').timeit(200000)
18.31223843438289
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【成员变量测试:字典和集合快于列表和元祖】
可以用in来做成员变量判断，比如‘a‘ in ‘abcd‘
判断列表和元祖中是否含有某个值的操作要比字典和集合慢的多。
因为Python会对列表中的值进行线性扫描，而另外两个基于哈希表，可以瞬间完成判断。数据越大，越明显！
In [44]: Timer('4 in L','L=(1,2,3,4,5,6,7,8,9)').timeit(100000000)
Out[44]: 12.941504527043435 #列表成员判断
In [45]: Timer('4 in T','T=[1,2,3,4,5,6,7,8,9]').timeit(100000000)
Out[45]: 12.883945908790338 #元祖成员判断，和列表差不多
In [46]: Timer('4 in S','S=set([1,2,3,4,5,6,7,8,9])').timeit(100000000)
Out[46]: 6.254324848690885 #集合成员判断，和字典差不多
In [47]: Timer('4 in D','D={1:"a",2:"b",3:"c",4:"d",5:"e",6:"f",7:"g",8:"h",9:"i"}').timeit(100000000)
Out[47]: 6.3508488422085065 #字典成员判断
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【列表合并extend比+速度快】
列表合并(+)是一种相当费资源的操作，因为必须创建一个新列表并将所有对象复制进去。
而extend将元素附加到现有列表中，因此会快很多，尤其是创建一个大列表时尤其如此.
+操作执行结果:
import profile #用cProfile会快些
def func_add(): #测试列表合并操作
lst = []
for i in range(5000):
for item in [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9],[10]]:
lst = lst + item
if __name__=='__main__':
profile.run('func_add()')
#####测试结果:#####
>>>
5 function calls in 9.243 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.000 0.000 :0(range)
1 0.006 0.006 0.006 0.006 :0(setprofile)
1 0.000 0.000 9.237 9.237 <string>:1(<module>)
1 9.236 9.236 9.236 9.236 Learn.py:3(func_add)
1 0.000 0.000 9.243 9.243 profile:0(func_add())
0 0.000 0.000 profile:0(profiler)
extend执行结果:
import profile
def func_extend():
lst = []
for i in range(5000):
for item in [[0],[1],[2],[3],[4],[5],[6],[7],[8],[9],[10]]:
lst.extend(item)
if __name__=='__main__':
profile.run('func_extend()')
#####输出结果:#####
>>>
55005 function calls in 0.279 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
55000 0.124 0.000 0.124 0.000 :0(extend)
1 0.000 0.000 0.000 0.000 :0(range)
1 0.005 0.005 0.005 0.005 :0(setprofile)
1 0.000 0.000 0.274 0.274 <string>:1(<module>)
1 0.149 0.149 0.273 0.273 Learn.py:3(func_extend)
1 0.000 0.000 0.279 0.279 profile:0(func_extend())
0 0.000 0.000 profile:0(profiler)
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【xrange比range快】
In [9]: Timer('for i in range(1000): pass').timeit()
Out[9]: 30.839959527228757
In [10]: Timer('for i in xrange(1000): pass').timeit()
Out[10]: 19.644791055468943
xrange是range的C语言实现，更高效的内存管理。
xrange:每次只迭代一个对象
range:一次生成所有数据，需要一个个扫描
NOTE: 在Python3.0中取消了xrange函数,只留range，不管这个range其实就是xrange，只不过名字变了。
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【内置函数>列表推导>for循环>while循环】
http://blog.csdn.net/jerry_1126/article/details/41773277
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【局部变量>全局变量】
import profile
A = 5
def param_test():
B = 5
res = 0
for i in range(100000000):
res = B + i
return res
if __name__=='__main__':
profile.run('param_test()')
>>> ===================================== RESTART =====================================
>>>
5 function calls in 37.012 seconds #全局变量测试结果:37 s
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 19.586 19.586 19.586 19.586 :0(range)
1 1.358 1.358 1.358 1.358 :0(setprofile)
1 0.004 0.004 35.448 35.448 <string>:1(<module>)
1 15.857 15.857 35.443 35.443 Learn.py:5(param_test)
1 0.206 0.206 37.012 37.012 profile:0(param_test())
0 0.000 0.000 profile:0(profiler)
>>> ===================================== RESTART =====================================
>>>
5 function calls in 11.504 seconds #局部变量测试结果: 11s
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 3.135 3.135 3.135 3.135 :0(range)
1 0.006 0.006 0.006 0.006 :0(setprofile)
1 0.000 0.000 11.497 11.497 <string>:1(<module>)
1 8.362 8.362 11.497 11.497 Learn.py:5(param_test)
1 0.000 0.000 11.504 11.504 profile:0(param_test())
0 0.000 0.000 profile:0(profiler)
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【while 1 > while True】
while 1执行结果:
import cProfile
def while_1():
tag = 0
while 1:
tag += 1
if tag > 100000000:
break
if __name__=='__main__':
cProfile.run('while_1()')
>>> ===================================== RESTART =====================================
>>>
4 function calls in 5.366 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.006 0.006 0.006 0.006 :0(setprofile)
1 0.000 0.000 5.360 5.360 <string>:1(<module>)
1 5.360 5.360 5.360 5.360 Learn.py:3(while_1)
0 0.000 0.000 profile:0(profiler)
1 0.000 0.000 5.366 5.366 profile:0(while_1())
while True执行结果:
import cProfile
def while_true():
tag = 0
while True:
tag += 1
if tag > 100000000:
break
if __name__=='__main__':
cProfile.run('while_true()')
>>> ===================================== RESTART =====================================
>>>
4 function calls in 8.236 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.012 0.012 0.012 0.012 :0(setprofile)
1 0.000 0.000 8.224 8.224 <string>:1(<module>)
1 8.224 8.224 8.224 8.224 Learn.py:10(while_true)
0 0.000 0.000 profile:0(profiler)
1 0.000 0.000 8.236 8.236 profile:0(while_true())
NOTE: 虽然while 1比while True，执行快些，是因为在Python中1只是True的一部分。
所有非False对象都非True，即除{},[],(),0,None,‘‘等，都是True，因此True的判断会多些，速度会慢些。
但while True这种写法可读性无疑更好些.
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【求交集集合比列表快】
列表测试结果:
from time import time
t1 = time()
list_1 = [32,78,65,99,19,43,18,22,7,1,9,2,4,8,56]
list_2 = [3,4,8,56,99,100]
temp = []
for x in range(1000000):
for i in list_2:
for j in list_1:
if i == j:
temp.append(i)
t2 = time()
print "Total time:", t2 - t1
#测试结果:
>>>
Total time: 13.6879999638
集合测试结果:
from time import time
t1 = time()
set_1 = set([32,78,65,99,19,43,18,22,7,1,9,2,4,8,56])
set_2 = set([3,4,8,56,99,100])
for x in range(1000000):
set_same = set_1 & set_2
t2 = time()
print "Total time:", t2 - t1
#测试结果:
>>>
Total time: 0.611000061035
NOTE:
用集合的方式取交集速度快的多。下面是常用的集合操作。
>>> set1 = set([2,3,4,8,9]) #集合1 >>> set2 = set([1,3,4,5,6]) #集合2 >>> set1 & set2 #求交集 set([3, 4]) >>> set1 | set2 #求合集 set([1, 2, 3, 4, 5, 6, 8, 9]) >>> set1 - set2 #求差集 set([8, 9, 2]) >>> set1 ^ set2 #求异或：即排除共同部分 set([1, 2, 5, 6, 8, 9])
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【直接交换两变量 > 借助中间变量】
要交换X,Y的值，有两种方法:
1. 直接交换: X, Y = Y, X
>>> X,Y = 1,2 >>> X,Y (1, 2) >>> X, Y = Y, X >>> X,Y (2, 1)
2.借助中间变量: T = X, X = Y, Y = X
>>> X,Y = 1,2 >>> X,Y (1, 2) >>> T = X; X = Y; Y = T >>> X,Y (2, 1)
测试结果:
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【is not速度快于!=】
在if条件判断中，可以用 if a is not None:或者 if a != None 前者运行速度快于后者.
测试结果:
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【‘‘.join(list)速度快于+或+=】
+测试结果:
‘‘.join(list)测试结果:
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
【在循环体外执行函数比在循环中快】
所以要减少函数的调用次数