在编程语言的讨论中，我们经常听到 “Python 太慢了” 的声音，这往往掩盖了 Python 的许多优点。但事实上，如果你能以 Pythonic 的方式编写代码，Python 可以非常快。

细节决定成败。经验丰富的 Python 开发者拥有一系列微妙而强大的技巧，这些技巧可以显著提高代码的性能。

这些技巧乍一看可能微不足道，但它们可以带来效率的大幅提升。让我们深入探讨这 9 种方法，改变你编写和优化 Python 代码的方式。

1. 更快的字符串连接：巧妙选择 "join()" 或 "+"

如果有很多字符串需要处理，字符串连接就会成为 Python 程序的瓶颈。

在 Python 中，字符串连接基本上有两种方式：

使用join()函数将一个字符串列表合并为一个

使用+或+=符号将每个字符串添加到一个字符串中

那么哪种方式更快呢？

让我们来定义 3 个不同的函数来连接相同的字符串：

mylist = ["Yang", "Zhou", "is", "writing"]

# 使用'+'

def concat_plus():

    result = ""

    for word in mylist:

        result += word + " "

    return result

# 使用'join()'

def concat_join():

    return " ".join(mylist)

# 直接连接字符串，不使用列表

def concat_directly():

    return "Yang" + "Zhou" + "is" + "writing"

根据你的第一印象，你认为哪个函数最快，哪个最慢？

实际结果可能会让你惊讶：

import timeit

print(timeit.timeit(concat_plus, number=10000))

# 0.002738415962085128

print(timeit.timeit(concat_join, number=10000))

# 0.0008482920238748193

print(timeit.timeit(concat_directly, number=10000))

# 0.00021425005979835987

如上所示，对于连接一个字符串列表，join()方法比在 for 循环中逐个添加字符串要快。

原因是直接的。一方面，字符串在 Python 中是不可变数据，在每次+=操作中都会创建一个新的字符串并复制旧字符串，这在计算上是昂贵的。

另一方面，.join()方法专门优化了字符串的连接。它预先计算结果字符串的大小，然后一次性构建它。因此，它避免了在循环中+=操作的开销，因此它更快。

然而，在我们的测试中最快的函数是直接连接字符串字面量。它的高速度是由于：

Python 解释器可以在编译时优化字符串字面量的连接，将它们变成单个字符串字面量。没有循环迭代或函数调用，这使得它是一个非常高效的操作。

由于所有字符串在编译时都是已知的，Python 可以非常快速地执行此操作，比循环中的运行时连接或甚至优化的.join()方法都要快得多。

总之，如果你需要连接一个字符串列表，请选择join()而不是+=。如果你想直接连接字符串，只需使用+即可。

2. 更快的列表创建：使用"[]"而不是"list()"

创建列表不是什么大不了的事。有两种常见的方式：

使用list()函数

直接使用[]

让我们使用一个简单的代码片段来测试它们的性能：

import timeit

print(timeit.timeit('[]', number=10 ** 7))

# 0.1368238340364769

print(timeit.timeit(list, number=10 ** 7))

# 0.2958830420393497

如结果所示，执行list()函数比直接使用[]要慢。

这是因为[]是字面量语法，而list()是一个构造函数调用。调用函数无疑需要额外的时间。

同样的逻辑，当创建字典时，我们也应该利用{}而不是dict()。

3. 更快的成员测试：使用集合而不是列表

成员检查操作的性能在很大程度上取决于底层数据结构：

import timeit

large_dataset = range(100000)

search_element = 2077

large_list = list(large_dataset)

large_set = set(large_dataset)

def list_membership_test():

    return search_element in large_list

def set_membership_test():

    return search_element in large_set

print(timeit.timeit(list_membership_test, number=1000))

# 0.01112208398990333

print(timeit.timeit(set_membership_test, number=1000))

# 3.27499583363533e-05

如上述代码所示，集合中的成员测试比列表中的要快得多。

为什么会这样？

在 Python 列表中，成员测试（element in list）是通过遍历每个元素直到找到所需元素或到达列表末尾来完成的。因此，此操作的时间复杂度为 O(n)。

Python 中的集合是作为哈希表实现的。当检查成员资格（element in set）时，Python 使用哈希机制，其平均时间复杂度为 O(1)。

这里的要点是在编写程序时要仔细考虑底层数据结构。利用正确的数据结构可以显著加快我们的代码速度。

4. 更快的数据生成：使用推导式而不是 for 循环

Python 中有四种类型的推导式：列表、字典、集合和生成器。它们不仅为创建相对数据结构提供了更简洁的语法，而且比使用 for 循环有更好的性能，因为它们在 Python 的 C 实现中进行了优化。

import timeit

def generate_squares_for_loop():

    squares = []

    for i in range(1000):

        squares.append(i * i)

    return squares

def generate_squares_comprehension():

    return [i * i for i in range(1000)]

print(timeit.timeit(generate_squares_for_loop, number=10000))

# 0.2797503340989351

print(timeit.timeit(generate_squares_comprehension, number=10000))

# 0.2364629579242319

上述代码是列表推导式和 for 循环之间的简单速度比较。如结果所示，列表推导式更快。

5. 更快的循环：优先使用局部变量

在 Python 中，访问局部变量比访问全局变量或对象的属性要快。

这里有一个实例来证明这一点：

import timeit

class Example:

    def __init__(self):

        self.value = 0

obj = Example()

def test_dot_notation():

    for _ in range(1000):

        obj.value += 1

def test_local_variable():

    value = obj.value

    for _ in range(1000):

        value += 1

    obj.value = value

print(timeit.timeit(test_dot_notation, number=1000))

# 0.036605041939765215

print(timeit.timeit(test_local_variable, number=1000))

# 0.024470250005833805

这就是 Python 的工作方式。直观地说，当一个函数被编译时，里面的局部变量是已知的，但其他外部变量需要时间来检索。

这是一个小问题，但我们可以利用它来优化我们在处理大量数据时的代码。

6. 更快的执行：优先使用内置模块和库

当工程师们说 Python 时，他们通常指的是 CPython。因为 CPython 是 Python 语言的默认和最广泛使用的实现。

鉴于其大多数内置模块和库都是用 C 语言编写的，C 是一种更快的低级语言，我们应该利用内置的武器库，避免重新发明轮子。

import timeit

import random

from collections import Counter

def count_frequency_custom(lst):

    frequency = {}

    for item in lst:

        if item in frequency:

            frequency[item] += 1

        else:

            frequency[item] = 1

    return frequency

def count_frequency_builtin(lst):

    return Counter(lst)

large_list = [random.randint(0, 100) for _ in range(1000)]

print(timeit.timeit(lambda: count_frequency_custom(large_list), number=100))

# 0.005160166998393834

print(timeit.timeit(lambda: count_frequency_builtin(large_list), number=100))

# 0.002444291952997446

上述程序比较了两种计算列表中元素频率的方法。我们可以看到，利用内置的Counter来自collections模块更快、更整洁、更好。

7. 更快的函数调用：利用缓存装饰器进行简单的记忆化

缓存是一种常用的技术，用于避免重复计算并加速程序。

幸运的是，在大多数情况下，我们不需要编写自己的缓存处理代码，因为 Python 为此目的提供了一个现成的装饰器——@functools.cache。

例如，以下代码将执行两个斐波那契数生成函数，一个有缓存装饰器，另一个没有：

import timeit

import functools

def fibonacci(n):

    if n in (0, 1):

        return n

    return fibonacci(n - 1) + fibonacci(n - 2)

@functools.cache

def fibonacci_cached(n):

    if n in (0, 1):

        return n

    return fibonacci_cached(n - 1) + fibonacci_cached(n - 2)

# 测试每个函数的执行时间

print(timeit.timeit(lambda: fibonacci(30), number=1))

# 0.09499712497927248

print(timeit.timeit(lambda: fibonacci_cached(30), number=1))

# 6.458023563027382e-06

结果证明了functools.cache装饰器使我们的代码更快。

基本的fibonacci函数效率低下，因为在得到fibonacci(30)的结果过程中，它多次重新计算相同的斐波那契数。

缓存版本要快得多，因为它缓存了先前计算的结果。因此，它只计算一次每个斐波那契数，后续具有相同参数的调用从缓存中检索。

仅仅添加一个内置装饰器就可以带来如此大的改进，这就是 Pythonic 的意思。