点击上方“小白学视觉”，选择加"星标"或“置顶”
重磅干货，第一时间送达本文转自：机器学习算法那些事
Python 是一种脚本语言，相比 C/C++ 这样的编译语言，在效率和性能方面存在一些不足。但是，有很多时候，Python 的效率并没有想象中的那么夸张。本文对一些 Python 代码加速运行的技巧进行整理。
本文会介绍不少的 Python 代码加速运行的技巧。在深入代码优化细节之前，需要了解一些代码优化基本原则。
第一个基本原则：不要过早优化
很多人一开始写代码就奔着性能优化的目标，“让正确的程序更快要比让快速的程序正确容易得多”。因此，优化的前提是代码能正常工作。过早地进行优化可能会忽视对总体性能指标的把握，在得到全局结果前不要主次颠倒。
第二个基本原则：权衡优化的代价
优化是有代价的，想解决所有性能的问题是几乎不可能的。通常面临的选择是时间换空间或空间换时间。另外，开发代价也需要考虑。
第三个原则：不要优化那些无关紧要的部分
如果对代码的每一部分都去优化，这些修改会使代码难以阅读和理解。如果你的代码运行速度很慢，首先要找到代码运行慢的位置，通常是内部循环，专注于运行慢的地方进行优化。在其他地方，一点时间上的损失没有什么影响。
# 不推荐写法。代码耗时：26.8秒
import mathsize = 10000
for x in range(size):for y in range(size):z = math.sqrt(x) + math.sqrt(y)
许多程序员刚开始会用 Python 语言写一些简单的脚本，当编写脚本时，通常习惯了直接将其写为全局变量，例如上面的代码。但是，由于全局变量和局部变量实现方式不同，定义在全局范围内的代码运行速度会比定义在函数中的慢不少。通过将脚本语句放入到函数中，通常可带来 15% - 30% 的速度提升。
# 推荐写法。代码耗时：20.6秒
import mathdef main(): # 定义到函数中，以减少全部变量使用size = 10000for x in range(size):for y in range(size):z = math.sqrt(x) + math.sqrt(y)main()2.1 避免模块和函数属性访问
# 不推荐写法。代码耗时：14.5秒
import mathdef computeSqrt(size: int):result = []for i in range(size):result.append(math.sqrt(i))return resultdef main():size = 10000for _ in range(size):result = computeSqrt(size)main()
每次使用.（属性访问操作符时）会触发特定的方法，如__getattribute__()和__getattr__()，这些方法会进行字典操作，因此会带来额外的时间开销。通过from import语句，可以消除属性访问。
# 第一次优化写法。代码耗时：10.9秒
from math import sqrtdef computeSqrt(size: int):result = []for i in range(size):result.append(sqrt(i)) # 避免math.sqrt的使用return resultdef main():size = 10000for _ in range(size):result = computeSqrt(size)main()
在第 1 节中我们讲到，局部变量的查找会比全局变量更快，因此对于频繁访问的变量sqrt，通过将其改为局部变量可以加速运行。
# 第二次优化写法。代码耗时：9.9秒
import mathdef computeSqrt(size: int):result = []sqrt = math.sqrt # 赋值给局部变量for i in range(size):result.append(sqrt(i)) # 避免math.sqrt的使用return resultdef main():size = 10000for _ in range(size):result = computeSqrt(size)main()
除了math.sqrt外，computeSqrt函数中还有.的存在，那就是调用list的append方法。通过将该方法赋值给一个局部变量，可以彻底消除computeSqrt函数中for循环内部的.使用。
# 推荐写法。代码耗时：7.9秒
import mathdef computeSqrt(size: int):result = []append = result.appendsqrt = math.sqrt # 赋值给局部变量for i in range(size):append(sqrt(i)) # 避免 result.append 和 math.sqrt 的使用return resultdef main():size = 10000for _ in range(size):result = computeSqrt(size)main()2.2 避免类内属性访问
# 不推荐写法。代码耗时：10.4秒
import math
from typing import Listclass DemoClass:def __init__(self, value: int):self._value = valuedef computeSqrt(self, size: int) -> List[float]:result = []append = result.appendsqrt = math.sqrtfor _ in range(size):append(sqrt(self._value))return resultdef main():size = 10000for _ in range(size):demo_instance = DemoClass(size)result = demo_instance.computeSqrt(size)main()
避免.的原则也适用于类内属性，访问self._value的速度会比访问一个局部变量更慢一些。通过将需要频繁访问的类内属性赋值给一个局部变量，可以提升代码运行速度。
# 推荐写法。代码耗时：8.0秒
import math
from typing import Listclass DemoClass:def __init__(self, value: int):self._value = valuedef computeSqrt(self, size: int) -> List[float]:result = []append = result.appendsqrt = math.sqrtvalue = self._valuefor _ in range(size):append(sqrt(value)) # 避免 self._value 的使用return resultdef main():size = 10000for _ in range(size):demo_instance = DemoClass(size)demo_instance.computeSqrt(size)main()
# 不推荐写法，代码耗时：0.55
class DemoClass:def __init__(self, value: int):self.value = value@propertydef value(self) -> int:return self._value@value.setterdef value(self, x: int):self._value = xdef main():size = 1000000for i in range(size):demo_instance = DemoClass(size)value = demo_instance.valuedemo_instance.value = imain()
任何时候当你使用额外的处理层（比如装饰器、属性访问、描述器）去包装代码时，都会让代码变慢。大部分情况下，需要重新进行审视使用属性访问器的定义是否有必要，使用getter/setter函数对属性进行访问通常是 C/C++ 程序员遗留下来的代码风格。如果真的没有必要，就使用简单属性。
# 推荐写法，代码耗时：0.33秒
class DemoClass:def __init__(self, value: int):self.value = value # 避免不必要的属性访问器def main():size = 1000000for i in range(size):demo_instance = DemoClass(size)value = demo_instance.valuedemo_instance.value = imain()
# 不推荐写法，代码耗时：6.5秒
def main():size = 10000for _ in range(size):value = range(size)value_list = [x for x in value]square_list = [x * x for x in value_list]main()
上面的代码中value_list完全没有必要，这会创建不必要的数据结构或复制。
# 推荐写法，代码耗时：4.8秒
def main():size = 10000for _ in range(size):value = range(size)square_list = [x * x for x in value] # 避免无意义的复制main()
另外一种情况是对 Python 的数据共享机制过于偏执，并没有很好地理解或信任 Python 的内存模型，滥用 copy.deepcopy()之类的函数。通常在这些代码中是可以去掉复制操作的。
4.2 交换值时不使用中间变量
# 不推荐写法，代码耗时：0.07秒
def main():size = 1000000for _ in range(size):a = 3b = 5temp = aa = bb = tempmain()
上面的代码在交换值时创建了一个临时变量temp，如果不借助中间变量，代码更为简洁、且运行速度更快。
# 推荐写法，代码耗时：0.06秒
def main():size = 1000000for _ in range(size):a = 3b = 5a, b = b, a # 不借助中间变量main()4.3 字符串拼接用join而不是+
# 不推荐写法，代码耗时：2.6秒
import string
from typing import Listdef concatString(string_list: List[str]) -> str:result = ''for str_i in string_list:result += str_ireturn resultdef main():string_list = list(string.ascii_letters * 100)for _ in range(10000):result = concatString(string_list)main()
当使用a + b拼接字符串时，由于 Python 中字符串是不可变对象，其会申请一块内存空间，将a和b分别复制到该新申请的内存空间中。因此，如果要拼接n个字符串，会产生 n-1个中间结果，每产生一个中间结果都需要申请和复制一次内存，严重影响运行效率。而使用join()拼接字符串时，会首先计算出需要申请的总的内存空间，然后一次性地申请所需内存，并将每个字符串元素复制到该内存中去。
# 推荐写法，代码耗时：0.3秒
import string
from typing import Listdef concatString(string_list: List[str]) -> str:return ''.join(string_list) # 使用 join 而不是 +def main():string_list = list(string.ascii_letters * 100)for _ in range(10000):result = concatString(string_list)main()# 不推荐写法，代码耗时：0.05秒
from typing import Listdef concatString(string_list: List[str]) -> str:abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}abbr_count = 0result = ''for str_i in string_list:if str_i in abbreviations:result += str_ireturn resultdef main():for _ in range(10000):string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']result = concatString(string_list)main()
if 条件的短路特性是指对if a and b这样的语句， 当a为False时将直接返回，不再计算b；对于if a or b这样的语句，当a为True时将直接返回，不再计算b。因此， 为了节约运行时间，对于or语句，应该将值为True可能性比较高的变量写在or前，而and应该推后。
# 推荐写法，代码耗时：0.03秒
from typing import Listdef concatString(string_list: List[str]) -> str:abbreviations = {'cf.', 'e.g.', 'ex.', 'etc.', 'flg.', 'i.e.', 'Mr.', 'vs.'}abbr_count = 0result = ''for str_i in string_list:if str_i[-1] == '.' and str_i in abbreviations: # 利用 if 条件的短路特性result += str_ireturn resultdef main():for _ in range(10000):string_list = ['Mr.', 'Hat', 'is', 'Chasing', 'the', 'black', 'cat', '.']result = concatString(string_list)main()6.1 用for循环代替while循环
# 不推荐写法。代码耗时：6.7秒
def computeSum(size: int) -> int:sum_ = 0i = 0while i < size:sum_ += ii += 1return sum_def main():size = 10000for _ in range(size):sum_ = computeSum(size)main()
Python 的for循环比while循环快不少。
# 推荐写法。代码耗时：4.3秒
def computeSum(size: int) -> int:sum_ = 0for i in range(size): # for 循环代替 while 循环sum_ += ireturn sum_def main():size = 10000for _ in range(size):sum_ = computeSum(size)main()6.2 使用隐式for循环代替显式for循环
针对上面的例子，更进一步可以用隐式for循环来替代显式for循环
# 推荐写法。代码耗时：1.7秒
def computeSum(size: int) -> int:return sum(range(size)) # 隐式 for 循环代替显式 for 循环def main():size = 10000for _ in range(size):sum = computeSum(size)main()6.3 减少内层for循环的计算
# 不推荐写法。代码耗时：12.8秒
import mathdef main():size = 10000sqrt = math.sqrtfor x in range(size):for y in range(size):z = sqrt(x) + sqrt(y)main()
上面的代码中sqrt(x)位于内侧for循环， 每次训练过程中都会重新计算一次，增加了时间开销。
# 推荐写法。代码耗时：7.0秒
import mathdef main():size = 10000sqrt = math.sqrtfor x in range(size):sqrt_x = sqrt(x) # 减少内层 for 循环的计算for y in range(size):z = sqrt_x + sqrt(y)main()
我们沿用上面介绍过的例子，在此基础上使用numba.jit。numba可以将 Python 函数 JIT 编译为机器码执行，大大提高代码运行速度。关于numba的更多信息见下面的主页：
http://numba.pydata.org/numba.pydata.org
# 推荐写法。代码耗时：0.62秒
import numba@numba.jit
def computeSum(size: float) -> int:sum = 0for i in range(size):sum += ireturn sumdef main():size = 10000for _ in range(size):sum = computeSum(size)main()
Python 内置的数据结构如str, tuple, list, set, dict底层都是 C 实现的，速度非常快，自己实现新的数据结构想在性能上达到内置的速度几乎是不可能的。
list类似于 C++ 中的std::vector，是一种动态数组。其会预分配一定内存空间，当预分配的内存空间用完，又继续向其中添加元素时，会申请一块更大的内存空间，然后将原有的所有元素都复制过去，之后销毁之前的内存空间，再插入新元素。删除元素时操作类似，当已使用内存空间比预分配内存空间的一半还少时，会另外申请一块小内存，做一次元素复制，之后销毁原有大内存空间。因此，如果有频繁的新增、删除操作，新增、删除的元素数量又很多时，list的效率不高。此时，应该考虑使用collections.deque。collections.deque是双端队列，同时具备栈和队列的特性，能够在两端进行 O(1)复杂度的插入和删除操作。
list的查找操作也非常耗时。当需要在list频繁查找某些元素，或频繁有序访问这些元素时，可以使用bisect维护list对象有序并在其中进行二分查找，提升查找的效率。
另外一个常见需求是查找极小值或极大值，此时可以使用heapq模块将list转化为一个堆，使得获取最小值的时间复杂度是O(1)。
下面的网页给出了常用的 Python 数据结构的各项操作的时间复杂度：
TimeComplexity - Python Wikiwiki.python.org
https://zhuanlan.zhihu.com/p/143052860
David Beazley & Brian K. Jones. Python Cookbook, Third edition. O'Reilly Media, ISBN: 9781449340377, 2013.
张颖 & 赖勇浩. 编写高质量代码：改善Python程序的91个建议. 机械工业出版社, ISBN: 9787111467045, 2014.
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~
