15個提升Python程序運行速度的實用技巧

更新時間：2026年01月18日 08:42:00 作者：軟件測試雜談

這篇文章主要為大家詳細(xì)介紹了15個提升Python程序運行速度的實用技巧,文中的示例代碼講解詳細(xì),感興趣的小伙伴可以跟隨小編一起學(xué)習(xí)一下

1. 使用內(nèi)置函數(shù)和庫
2. 使用列表推導(dǎo)式代替循環(huán)
3. 使用生成器表達(dá)式節(jié)省內(nèi)存
4. 使用set進(jìn)行成員檢查
5. 使用字典代替多重條件判斷
6. 使用局部變量提高性能
7. 使用functools.lru_cache緩存結(jié)果
8. 使用numpy處理數(shù)值計算
9. 使用pandas處理數(shù)據(jù)
10. 使用multiprocessing進(jìn)行并行處理
11. 使用asyncio進(jìn)行異步編程
12. 使用cython編譯Python代碼
13. 使用numba加速數(shù)值計算
14. 使用cProfile進(jìn)行性能分析
15. 使用line_profiler進(jìn)行逐行分析
實戰(zhàn)案例：優(yōu)化圖像處理算法
總結(jié)

今天我們就來聊聊如何用15個技巧讓Python程序飛速運行。這些技巧不僅能讓代碼跑得更快，還能讓你的編程思維更加嚴(yán)謹(jǐn)。

1. 使用內(nèi)置函數(shù)和庫

Python自帶了很多高效的內(nèi)置函數(shù)和庫，它們通常比你自己寫的代碼要快得多。盡量使用這些現(xiàn)成的工具，而不是自己重新發(fā)明輪子。

示例：

# 不推薦：手動計算列表元素之和
def sum_list_manual(lst):
    total = 0
    for num in lst:
        total += num
    return total

# 推薦：使用內(nèi)置sum函數(shù)
def sum_list_builtin(lst):
    return sum(lst)

# 測試
numbers = [1, 2, 3, 4, 5]
print(sum_list_manual(numbers))  # 輸出: 15
print(sum_list_builtin(numbers))  # 輸出: 15

2. 使用列表推導(dǎo)式代替循環(huán)

列表推導(dǎo)式不僅更簡潔，而且執(zhí)行速度也更快。

示例：

# 不推薦：使用for循環(huán)創(chuàng)建平方數(shù)列表
squares_loop = []
for i in range(10):
    squares_loop.append(i ** 2)

# 推薦：使用列表推導(dǎo)式
squares_comprehension = [i ** 2 for i in range(10)]

print(squares_loop)  # 輸出: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
print(squares_comprehension)  # 輸出: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

3. 使用生成器表達(dá)式節(jié)省內(nèi)存

當(dāng)你處理大數(shù)據(jù)集時，生成器表達(dá)式可以節(jié)省大量內(nèi)存，因為它只在需要時生成數(shù)據(jù)。

示例：

# 不推薦：使用列表存儲所有平方數(shù)
squares_list = [i ** 2 for i in range(1000000)]

# 推薦：使用生成器表達(dá)式
squares_generator = (i ** 2 for i in range(1000000))

# 計算總和
print(sum(squares_list))  # 需要大量內(nèi)存
print(sum(squares_generator))  # 內(nèi)存使用較少

4. 使用set進(jìn)行成員檢查

集合（set）的數(shù)據(jù)結(jié)構(gòu)查找元素的時間復(fù)雜度是O(1)，而列表（list）是O(n)。因此，如果需要頻繁進(jìn)行成員檢查，使用set會更快。

示例：

# 不推薦：使用列表進(jìn)行成員檢查
my_list = list(range(1000000))
if 999999 in my_list:
    print("Found!")

# 推薦：使用集合進(jìn)行成員檢查
my_set = set(range(1000000))
if 999999 in my_set:
    print("Found!")

5. 使用字典代替多重條件判斷

當(dāng)有多個條件判斷時，可以考慮使用字典來簡化代碼，并提高效率。

示例：

# 不推薦：使用多重if-else
def get_grade(score):
    if score >= 90:
        return 'A'
    elif score >= 80:
        return 'B'
    elif score >= 70:
        return 'C'
    else:
        return 'D'

# 推薦：使用字典映射
grade_mapping = {
    (90, 100): 'A',
    (80, 89): 'B',
    (70, 79): 'C',
    (0, 69): 'D'
}

def get_grade_dict(score):
    for key, value in grade_mapping.items():
        if key[0] <= score <= key[1]:
            return value

print(get_grade(85))  # 輸出: B
print(get_grade_dict(85))  # 輸出: B

6. 使用局部變量提高性能

局部變量的訪問速度比全局變量快。因此，在循環(huán)中盡量使用局部變量。

示例：

# 不推薦：使用全局變量
global_var = 10
def increment_global():
    global global_var
    for _ in range(1000000):
        global_var += 1

# 推薦：使用局部變量
def increment_local():
    local_var = 10
    for _ in range(1000000):
        local_var += 1

increment_global()  # 較慢
increment_local()   # 較快

7. 使用functools.lru_cache緩存結(jié)果

對于耗時的函數(shù)調(diào)用，可以使用functools.lru_cache來緩存結(jié)果，避免重復(fù)計算。

示例：

import functools

# 不推薦：每次調(diào)用都重新計算
def fibonacci(n):
    if n <= 1:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

# 推薦：使用緩存
@functools.lru_cache(maxsize=None)
def fibonacci_cached(n):
    if n <= 1:
        return n
    return fibonacci_cached(n-1) + fibonacci_cached(n-2)

print(fibonacci(30))  # 較慢
print(fibonacci_cached(30))  # 較快

8. 使用numpy處理數(shù)值計算

numpy是一個專門用于科學(xué)計算的庫，它提供了高效的數(shù)組操作功能。

示例：

import numpy as np

# 不推薦：使用純Python列表進(jìn)行矩陣乘法
matrix_a = [[1, 2], [3, 4]]
matrix_b = [[5, 6], [7, 8]]

result = [[0, 0], [0, 0]]
for i in range(len(matrix_a)):
    for j in range(len(matrix_b[0])):
        for k in range(len(matrix_b)):
            result[i][j] += matrix_a[i][k] * matrix_b[k][j]

# 推薦：使用numpy進(jìn)行矩陣乘法
matrix_a_np = np.array(matrix_a)
matrix_b_np = np.array(matrix_b)
result_np = np.dot(matrix_a_np, matrix_b_np)

print(result)  # 輸出: [[19, 22], [43, 50]]
print(result_np)  # 輸出: [[19 22] [43 50]]

9. 使用pandas處理數(shù)據(jù)

pandas是一個強大的數(shù)據(jù)分析庫，特別適合處理表格數(shù)據(jù)。

示例：

import pandas as pd

# 不推薦：使用純Python字典和列表處理數(shù)據(jù)
data = {'Name': ['Alice', 'Bob', 'Charlie'], 'Age': [25, 30, 35]}
ages = [age for age in data['Age'] if age > 30]

# 推薦：使用pandas處理數(shù)據(jù)
df = pd.DataFrame(data)
filtered_df = df[df['Age'] > 30]

print(ages)  # 輸出: [35]
print(filtered_df)  # 輸出:      Name  Age
                 # 2  Charlie   35

10. 使用multiprocessing進(jìn)行并行處理

如果你的任務(wù)是可以并行化的，那么使用multiprocessing模塊可以顯著提高性能。

示例：

import multiprocessing

def square(x):
    return x ** 2

# 不推薦：串行處理
results_serial = [square(i) for i in range(10)]

# 推薦：并行處理
pool = multiprocessing.Pool()
results_parallel = pool.map(square, range(10))
pool.close()
pool.join()

print(results_serial)  # 輸出: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]
print(results_parallel)  # 輸出: [0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

11. 使用asyncio進(jìn)行異步編程

對于I/O密集型任務(wù)，使用asyncio可以提高程序的響應(yīng)速度。

示例：

import asyncio

async def fetch_data():
    await asyncio.sleep(1)
    return "Data fetched"

# 不推薦：同步等待
def sync_fetch():
    import time
    time.sleep(1)
    return "Data fetched"

# 推薦：異步等待
async def main():
    result = await fetch_data()
    print(result)

asyncio.run(main())  # 輸出: Data fetched

12. 使用cython編譯Python代碼

cython可以將Python代碼編譯成C代碼，從而提高執(zhí)行速度。

示例：

# 不推薦：純Python代碼
def slow_function(n):
    return sum(i * i for i in range(n))

# 推薦：使用Cython編譯
# 在文件slow_function.pyx中定義
def fast_function(int n):
    cdef int i, result = 0
    for i in range(n):
        result += i * i
    return result

# 編譯并導(dǎo)入
from distutils.core import setup
from Cython.Build import cythonize

setup(ext_modules=cythonize("slow_function.pyx"))

from slow_function import fast_function

print(slow_function(1000000))  # 較慢
print(fast_function(1000000))  # 較快

13. 使用numba加速數(shù)值計算

numba可以通過即時編譯技術(shù)加速數(shù)值計算。

示例：

import numba

@numba.jit
def fast_sum(a, b):
    return a + b

# 不推薦：純Python加法
def slow_sum(a, b):
    return a + b

print(slow_sum(10, 20))  # 輸出: 30
print(fast_sum(10, 20))  # 輸出: 30

14. 使用cProfile進(jìn)行性能分析

在優(yōu)化代碼之前，先使用cProfile找出瓶頸所在。

示例：

import cProfile

def profile_me():
    total = 0
    for i in range(1000000):
        total += i
    return total

cProfile.run('profile_me()')

15. 使用line_profiler進(jìn)行逐行分析

line_profiler可以幫助你找到具體哪一行代碼最耗時。

示例：

# 安裝line_profiler
# pip install line_profiler

@profile
def function_to_profile():
    a = 2
    b = 3
    c = a + b
    return c

function_to_profile()

實戰(zhàn)案例：優(yōu)化圖像處理算法

假設(shè)你需要編寫一個圖像處理程序，將一張圖片轉(zhuǎn)換為灰度圖。我們來看一下如何應(yīng)用上述技巧來優(yōu)化這個過程。

原始代碼：

from PIL import Image

def to_grayscale(image_path):
    image = Image.open(image_path)
    width, height = image.size
    grayscale_image = Image.new('L', (width, height))

    for x in range(width):
        for y in range(height):
            r, g, b = image.getpixel((x, y))
            gray = int(0.299 * r + 0.587 * g + 0.114 * b)
            grayscale_image.putpixel((x, y), gray)

    grayscale_image.save('grayscale.jpg')

to_grayscale('input.jpg')

優(yōu)化后的代碼：

import numpy as np
from PIL import Image

def to_grayscale_optimized(image_path):
    image = Image.open(image_path).convert('RGB')
    image_array = np.array(image)
    grayscale_array = np.dot(image_array[..., :3], [0.299, 0.587, 0.114]).astype(np.uint8)
    grayscale_image = Image.fromarray(grayscale_array, 'L')
    grayscale_image.save('grayscale.jpg')

to_grayscale_optimized('input.jpg')

在這個實戰(zhàn)案例中，我們使用了numpy來進(jìn)行高效的數(shù)組操作，避免了顯式的雙重循環(huán)，從而大大提高了程序的運行速度。

總結(jié)

本文介紹了15個讓Python程序飛速運行的技巧，包括使用內(nèi)置函數(shù)和庫、列表推導(dǎo)式、生成器表達(dá)式、集合成員檢查、字典映射、局部變量、緩存結(jié)果、numpy和pandas庫、并行和異步處理、cython和numba編譯、性能分析工具等。通過這些技巧，你可以寫出更高效、更優(yōu)雅的Python代碼。

到此這篇關(guān)于15個提升Python程序運行速度的實用技巧的文章就介紹到這了,更多相關(guān)Python優(yōu)化技巧內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: