一直以來Python性能是遭人詬病的問題之一，抱怨執(zhí)行慢，沒法用。雖然再性能上語言的差異確實存在著明顯差異，但是我認(rèn)為一個非常流行的語言，運行的快慢不會成為阻擾人們使用的因素。如果是的話，可能是由于編寫的程序有問題，需要優(yōu)化。本文蟲蟲就給大家介紹一下如何調(diào)試Python應(yīng)用的性能，以及怎么對其進行優(yōu)化。

[[312018]]

Python性能調(diào)試

要進行Python性能，前提條件是要找出程序中的性能瓶頸。找出程序中影響程序性能的代碼。有經(jīng)驗的開發(fā)者一般都能很容易能找出程序的瓶頸，但對于普通碼農(nóng)找出系統(tǒng)的問題代碼則很難，為了能快捷有效的發(fā)現(xiàn)程序的性能瓶頸就需要進行性能調(diào)試，此處我們以一個實際例子進行介紹，以下程序是計算e的x(1..n)次的冪，其代碼如下：

# performance.py 
 
from decimal import * 
 
def exp(x): 
 
getcontext().prec += 2 
 
i, lasts, s, fact, num = 0, 0, 1, 1, 1 
 
while s != lasts: 
 
lasts = s 
 
i += 1 
 
fact *= i 
 
num *= x 
 
s += num / fact 
 
getcontext().prec -= 2 
 
return +s 
 
print(exp(Decimal(150))) 
 
print(exp(Decimal(400))) 
 
print(exp(Decimal(3000))) 

最簡單的調(diào)試

最簡單且實用的調(diào)試性能調(diào)試的方法是使用Linux的time命令，time可以計算程序執(zhí)行的時間：

time python3 performance.py 
 
1.393709580666379697318341937E+65 
 
5.221469689764143950588763007E+173 
 
7.646200989054704889310727660E+1302 
 
real 0m15.185s 
 
user 0m15.100s 
 
sys 0m0.004s 

計算前兩個數(shù)的(150，400)很快，而第三個大一點時會很慢，總共要15秒多才算完，是有點卡頓(慢)。

time雖然很便捷有用，但是不能給我們詳細(xì)的代碼性能細(xì)節(jié)。

詳細(xì)性能分析cProfile

性能分析另一個常用的方法是使用cProfile，它可以提供很多性能信息

python3 -m cProfile -s time performance.py 

例子中，我們使用了cProfile模塊和time參數(shù)運行測試腳本，以便按內(nèi)部時間(cumtime)對行進行排序。如上圖所示，使用cProfile可以給很多內(nèi)部的具體信息，通過我們可以知道主要耗時是由exp函數(shù)導(dǎo)致。知道了程序的性能瓶頸所在，我們就再說明Python性能分析和優(yōu)化。

優(yōu)化特定功能

知道了將性能的瓶頸所在(實例中是exp函數(shù))，我們?yōu)榱诉M一步具體問題具體分析，我們使用一個簡單裝飾器，以便跳過其他代碼，專門分析性能瓶頸所設(shè)計的函數(shù)。然后使用裝飾器進行測試，具體代碼如下：

def timeit_wrapper(func): 
 
@wraps(func) 
 
def wrapper(*args, **kwargs): 
 
start = time.perf_counter() # Alternatively, you can use time.process_time() 
 
func_return_val = func(*args, **kwargs) 
 
end = time.perf_counter() 
 
print('{0:<10}.{1:<8} : {2:<8}'.format(func.__module__, func.__name__, end - start)) 
 
return func_return_val 
 
return wrapper 

我們用這個裝飾器來測試exp：

@timeit_wrapper 
 
def exp(x): 
 
... 
 
print('{0:<10} {1:<8} {2:^8}'.format('module', 'function', 'time')) 
 
exp(Decimal(150)) 
 
exp(Decimal(400)) 
 
exp(Decimal(3000)) 

結(jié)果：

module function time 
 
__main__ .exp : 0.00920036411844194 
 
__main__ .exp : 0.09822067408822477 
 
__main__ .exp : 15.228459489066154 

代碼中，我們用到了time包提供time.perf_counter函數(shù)，它還提供了另外一個函數(shù)time.process_time。兩者的區(qū)別在于perf_counter返回的絕對時間，包括Python程序進程未運行時的時間，它可能會受到計算機負(fù)載的影響。而process_time僅返回用戶時間(不包括系統(tǒng)時間)，這僅是程序過程時間。

性能優(yōu)化

最后是Python程序的性能優(yōu)化，為了讓Python程序運行得更快，我們提供一些可供參考的性能優(yōu)化構(gòu)想和策略的，通過這些策略我們一半可以提高應(yīng)用的運行速度，最高情況下可以讓你的應(yīng)用快30%。

使用內(nèi)建數(shù)據(jù)類型

很明顯，內(nèi)建數(shù)據(jù)類型非常快，尤其是與自定義類型相比，比如樹或者鏈表。因為內(nèi)建程序是用C實現(xiàn)的，所以其性能優(yōu)勢是Python代碼所無法比擬的。

使用lru_cache緩存/記憶

很多時候緩存非常有效，可以極大的提高性能，尤其在數(shù)值計算和涉及大量重復(fù)調(diào)用(遞歸)時?？紤]一個例子：

上面的函數(shù)使用time.sleep(2)模擬一個耗時的代碼。第一次使用參數(shù)1調(diào)用時，它將等待2秒，然后返回結(jié)果。再次調(diào)用時，由于結(jié)果已被緩存，將跳過函數(shù)的執(zhí)行，直返回。用3調(diào)用時候由于參數(shù)不一樣會耗時2秒，總體耗時應(yīng)該為4s，我們用time 驗證:

real 0m4.061s 
 
user 0m0.040s 
 
sys 0m0.015s 

這和我們設(shè)想的一致。

使用局部變量

基于變量作用域中查找速度相關(guān)，在函數(shù)的局部變量具有很高的速度。其次是類級屬性(如self.name)和最慢的是全局變量，如time.time(最慢)。所以我們可以通過避免使用不必要的全局變量來提高性能。

使用函數(shù)

這似乎有點出乎意料，因為涉及函數(shù)的內(nèi)存占用都在堆棧上，而函數(shù)返回也會有開銷。但是使用函數(shù)，可以避免使用全局變量，可以提高性能。因此，可以通過將整個代碼包裝在main函數(shù)中只調(diào)用一次來加速代碼。

避免使用屬性

另一個可以是影響程序性能的操作是點運算符訪問對象屬性。點運算符使用__getattribute__觸發(fā)會字典查找，會在代碼中產(chǎn)生額外的開銷。我們可以通過一些使用函數(shù)而不是類方法的方式避免點操作，比如下面例子

#慢代碼:

import re 
 
def slow_func(): 
 
for i in range(10000): 
 
re.findall(regex, line) 

#快代碼

from re import findall 
 
def fast_func(): 
 
for i in range(10000): 
 
findall(regex, line) 

使用f-string

在循環(huán)中使用格式符(%s)或.format()時，字符串操作可能會變得非常緩慢。為了進行性能優(yōu)化，我們應(yīng)該使用f-string。它是Python 3.6引入的很具可讀性，簡潔性和最快的方法。比如：

s + ' ' + t 
 
' '.join((s, t)) 
 
'%s %s' % (s, t) 
 
'{} {}'.format(s, t) 
 
Template('$s $t').substitute(s=s, t=t) # 慢代碼 
 
 
f'{s} {t}' # 快代碼 

總結(jié)

性能的調(diào)試和優(yōu)化是非常重要的碼農(nóng)技術(shù)之一。本文中，我們提供了Python應(yīng)用性能調(diào)試和優(yōu)化的技巧和策略，希望能對大家有所幫助。