今天图零小编来和大家聊聊python该如何实现性能优化，喜欢记得收藏。
当我们提到一门编程语言的效率时：通常有两层意思，一个是开发效率，这是对程序员而言，完成编码所需要的时间；另一个是运行效率，这是对计算机而言，完成计算任务所需要的时间。编码效率和运行效率往往是鱼与熊掌的关系，是很难同时兼顾的。

1. 交叉编译程序

开发者有时会忘记计算机不能识别任何一种现在应用程序语言，它只识别机器代码。为了运行程序，需要一个应用将人类可读的代码转换成计算机能识别的代码。当用一种语言写程序时，例如Python，然后用另外一种语言来运行它，例如C++，从性能角度看是有道理的。这个取决于你想要用这个应用做什么和主机系统能够提供什么资源。

一个有趣的交叉编译器，Nuitka, 能将Python转换成C++代码，结果是你可以再本机模式下执行应用，而不是依赖于解释器。根据平台和任务中,你可以看到显著的性能提高

2. 优化算法时间复杂度

算法的时间复杂度对程序的执行效率影响特别大，在 Python 中可以通过选择合适的数据结构来优化时间复杂度，如 list 和 set 查找某一个元素的时间复杂度分别是O(n)和O(1)。不同的场景有不同的优化方式，总得来说，一般有分治，分支界限，贪心，动态规划等思想。

3. 减少冗余数据

如用上三角或下三角的方式去保存一个大的对称矩阵。在0元素占大多数的矩阵里使用稀疏矩阵表示。

4. 合理使用 copy 与 deepcopy

对于 dict 和 list 等数据结构的对象，直接赋值使用的是引用的方式。而有些情况下需要复制整个对象，这时可以使用 copy 包里的 copy 和 deepcopy，这两个函数的不同之处在于后者是递归复制的。效率也不一样：（以下程序在 ipython 中运行）

import copy  

a = range(100000)  

%timeit -n 10 copy.copy(a) # 运行10次 copy.copy(a)  

%timeit -n 10 copy.deepcopy(a)  

10 loops, best of 3: 1.55 ms per loop  

10 loops, best of 3: 151 ms per loop 

timeit 后面的-n表示运行的次数，后两行对应的是两个 timeit 的输出，下同。由此可见后者慢一个数量级。

5. 使用 dict 或 set 查找元素

python dict 和 set 都是使用 hash 表来实现(类似c++11标准库中unordered_map)，查找元素的时间复杂度是O(1)

a = range(1000)  

s = set(a)  

d = dict((i,1) for i in a)  

%timeit -n 10000 100 in d 

%timeit -n 10000 100 in s10000 loops, best of 3: 43.5 ns per loop10000 loops, best of 3: 49.6 ns per loop 

dict 的效率略高(占用的空间也多一些)

图零科技欢迎你和我互动哦！关注图零直播微信公众号

点击菜单栏“微我吧”，“Q我吧”即可加我好友，与我更多互动！