Python有时用起来确实很慢，我敢打赌你肯定抱怨过这一点，尤其是那些用惯了C，C ++或Java的人。
但其实很多时候，Python的效率并没有达到它应有的速度，有一些让它马达开足的小技巧，一起来学习吧！
1.避免使用全局变量
import mathsize = 10000
for x in range（size）：
for y in range（size）：
z = math.sqrt（x） + math.sqrt（y）
许多程序员一开始都会用Python语言编写一些简单的脚本。编写脚本时，通常直接使用全局变量，就像上面这段代码。
但由于全局变量和局部变量的实现方式不同，全局变量中定义的代码要比在函数中定义的函数运行起来慢得多。把脚本语句放入函数中，通常运行速度可提高15％-30％。如下所示：
import mathdef main（）：
size = 10000
for x in range（size）：
for y in range（size）：
z = math.sqrt（x） +math.sqrt（y）main（）
2.避免数据重复
避免无意义的数据复制
def main（）：
size = 10000
for _ in range（size）：
value = range（size）
value_list = ［x for x in value］
square_list = ［x * x for x invalue_list］main（）
这段代码中，value_list完全没有必要，这会创建不必要的数据结构或复制。
def main（）：
size = 10000
for _ in range（size）：
value = range（size）
square_list = ［x * x for x invalue］main（）
另一个原因在于Python的数据共享机制过于偏执，没有很好理解或信任内存模型，例如滥用copy.deepcopy（）函数。我们可以删除此类代码中的复制操作。
交换值时无需使用中间变量
def main（）：
size = 1000000
for _ in range（size）：
a = 3
b = 5
temp = a
a = b
b = tempmain（）
上述代码在交换值时创建了一个临时变量temp。如果没有中间变量，代码会更加简洁，运行速度也更快。
def main（）：
size = 1000000
for _ in range（size）：
a = 3
b = 5
a， b = b， amain（）
使用字符串联方法join ，而不是‘+’
import string
from typing import Listdef concatString（string_list： List［str］） -》 str：
result = ‘’
for str_i in string_list：
result += str_i
return resultdef main（）：
string_list =list（string.ascii_letters * 100）
for _ in range（10000）：
result =concatString（string_list）main（）
另一要点是a+b对字符串进行拼接，由于在Python中字符串是不可变的对象，所以实际上a和b分别复制到了应用程序的新内存空间中。
因此，如果拼接n个字符串会产生“ n-1”个中间结果，则每个字符串都会产生应用和复制内存所需的中间结果，从而严重影响操作效率。
在使用join（）串联字符串时，首先计算需要应用的总内存空间，然后立即申请所需的内存，再把每个字符串元素复制到内存中。
import string
from typing import Listdef concatString（string_list： List［str］） -》 str：
return ‘’.join（string_list）defmain（）：
string_list = list（string.ascii_letters* 100）
for _ in range（10000）：
result =concatString（string_list）main（）
3.避免使用以下函数属性
避免访问模块和函数属性
import mathdef computeSqrt（size:int）：
result = ［］
for i in range（size）：
result.append（math.sqrt（i））
return resultdef main（）：
size = 10000
for _ in range（size）：
result = computeSqrt（size）main（）
use（属性访问运算符）会触发特定方法，例如getattribute（）和getattr（），这些方法将执行字典操作，会产生额外的时间消耗。
通过使用import语句，可以消除属性访问：
from math import sqrtdefcomputeSqrt（size： int）：
result = ［］
for i in range（size）：
result.append（sqrt（i））
return resultdef main（）：
size = 10000
for _ in range（size）：
result = computeSqrt（size）main（）
前文中我们讨论了局部变量可以比全局变量实现更快查找，对于经常访问的变量（如sqrt），可以通过更改为局部变量以加快操作速度。
import mathdef computeSqrt（size:int）：
result = ［］
sqrt = math.sqrt
for i in range（size）：
result.append（sqrt（i））
return resultdef main（）：
size = 10000
for _ in range（size）：
result = computeSqrt（size）main（）
避免类属性访问
import math
from typing import Listclass DemoClass：
def __init__（self， value： int）：
self._value = value
def computeSqrt（self， size： int）-》 List［float］：
result = ［］
append = result.append
sqrt = math.sqrt
for _ in range（size）：
append（sqrt（self._value））
return resultdef main（）：
size = 10000
for _ in range（size）：
demo_instance = DemoClass（size）
result =demo_instance.computeSqrt（size）main（）
避免的原理也适用于类的属性，并且访问self._value的速度要比访问局部变量的速度要慢。通过把需要频繁访问的类属性分配给局部变量，可以提高代码执行速度。
import math
from typing import Listclass DemoClass：
def __init__（self， value： int）：
self._value = value
def computeSqrt（self， size： int）-》 List［float］：
result = ［］
append = result.append
sqrt = math.sqrt
value = self._value
for _ in range（size）：
append（sqrt（value））
return resultdef main（）：
size = 10000
for _ in range（size）：
demo_instance = DemoClass（size）
demo_instance.computeSqrt（size）main（）
4.避免不必要的抽象
class DemoClass：
def __init__（self， value： int）：
self.value = value@property
def value（self） -》 int：
return self._value@value.setter
def value（self， x： int）：
self._value = xdef main（）：
size = 1000000
for i in range（size）：
demo_instance = DemoClass（size）
value = demo_instance.value
demo_instance.value = imain（）
每当使用其他处理层（例如装饰器、属性访问、描述符）封装代码时，代码运行的速度也会变慢。在大多数情况下，重新检查是否有必要使用属性访问器定义是很有必要的。
使用getter/setter函数访问属性通常是被C++/C++程序员遗忘的一种编码样式。如果确实没有必要，就使用简单属性就好。
class DemoClass：
def __init__（self， value： int）：
self.value = valuedef main（）：
size = 1000000
for i in range（size）：
demo_instance = DemoClass（size）
value = demo_instance.value
demo_instance.value = imain（）
5.选择合适的数据结构
众所周知，列表是Python中的动态数组。当预分配的内存空间用完时，会预分配一定的内存空间，然后继续向其中添加元素。然后复制之前的所有原始元素，形成一个新的内存空间，在插入新元素之前销毁先前的内存空间。
因此，如果频繁添加或删除，或者添加或删除的元素数量太大，列表的效率就会变低，目前最好使用collections.deque。
此双端队列具有堆栈和队列的特性，并且可以在两端以O（1）复杂度执行插入和删除操作。
列表搜索操作非常耗时。当需要频繁查找某些元素或按顺序频繁访问这些元素时，保持列表 对象有序的情况下使用二分法，使用二进制搜索以提高搜索效率，但二进制搜索仅适用于有序元素。
另一个常见的要求是找到最小值或最大值。此时，可以使用heapq模块列出转换为堆的列表，因此获取最小值的时间复杂度为O（1）。
6.循环优化
使用 for 循环代替while 循环
def computeSum（size： int） -》int：
sum_ = 0
i = 0
while i 《 size：
sum_ += i
i += 1
return sum_def main（）：
size = 10000
for _ in range（size）：
sum_ = computeSum（size）main（）
要知道，Python中的for循环要比while循环快得多。
def computeSum（size： int） -》int：
sum_ = 0
for i in range（size）：
sum_ += i
return sum_def main（）：
size = 10000
for _ in range（size）：
sum_ = computeSum（size）main（）
使用隐式for循环，而不是显式for循环
对于上面的示例，可以进一步使用隐式for循环替换显式for循环
def computeSum（size： int） -》int：
return sum（range（size））def main（）：
size = 10000
for _ in range（size）：
sum = computeSum（size）main（）
减少内部循环的计算
from math import sqrtdef main（）：
size = 10000 for x in range（size）：
for y in range（size）：
z = sqrt（x） + sqrt（y）main（）
在上述for循环中的代码sqrt（x）中，在训练期间每次都需要进行重新计算，这会增加时间消耗。
import mathdef main（）：
size = 10000for x in range（size）：
sqrt_x = sqrt（x）
for y in range（size）：
z = sqrt_x + sqrt（y）main（）
7.使用 numba.jit
继续遵循上述示例，并在此基础上使用numba.jit。Python函数JIT可以编译为机器代码用以执行，这能大大提高了代码执行速度。
import numba@numba.jit
def computeSum（size： float） -》 int：
sum = 0
for i in range（size）：
sum += i
return sumdef main（）：
size = 10000
for _ in range（size）：
sum = computeSum（size）main（）
8.代码优化原则
上文已经介绍了许多加速Python代码的技术。在编写代码的过程中，我们需要了解代码优化的一些基本原理，这可是“实用知识”。
第一个基本原则就是不要过早优化代码。
许多人一开始编写代码时就致力于性能优化，“加快正确程序的速度要比确保快速程序的正确运作容易得多。”优化代码的前提是确保代码可以正常工作。过早的优化可能会忽略对总体性能指标的掌握，并且在获得总体结果之前不要颠倒顺序。
第二个基本原则是权衡优化代码的成本。
优化代码是有代价的，想要解决所有性能问题几乎不可能。通常面临的选择是时间换空间或空间换时间，还需要考虑开发成本。
第三个原则是不要优化无关紧要的部分。
如果优化代码的每个部分后，这些变更会让代码变得难以阅读和理解。如果代码运行缓慢，首先必须找到代码运行缓慢的位置（通常是内部循环），重点优化代码运行缓慢的地方。对于其他位置，时间的损失影响很小。
