python的運行速度

『壹』 提升python運行速度的5個小技巧

pre{overflow-x: auto}

Python 是世界上使用最廣泛的編程語言之一。它是一種解釋型高級通用編程語言，具有廣泛的用途，幾乎可以將其用於所有事物。其以簡單的語法、優雅的代碼和豐富的第三方庫而聞名。python除了有很多優點外，但在速度上還有一個非常大的缺點。

雖然Python代碼運行緩慢，但可以通過下面分享的5個小技巧提升Python運行速度！

首先，定義一個計時函數timeshow，通過簡單的裝飾，可以列印指定函數的運行時間。

這個函數在下面的例子中會被多次使用。

def timeshow(func):     from time import time     def newfunc(*arg, **kw):         t1 = time()         res = func(*arg, **kw)         t2 = time()         print(f"{func.__name__: >10} : {t2-t1:.6f} sec")         return res     return newfunc @timeshow def test_it():     print("hello pytip") test_it() 1. 選擇合適的數據結構

使用正確的數據結構對python腳本的運行時間有顯著影響。Python 有四種內置的數據結構：

列表 : List

元組 : Tuple

集合 : Set

字典 : Dictionary

但是，大多數開發人員在所有情況下都使用列表。這是不正確的做法，應該根據任務使用合適數據結構。

運行下面的代碼，可以看到元組執行簡單檢索操作的速度比列錶快。其中dis模塊反匯編了一個函數的位元組碼，這有利於查看列表和元組之間的區別。

import dis def a():     data = [1, 2, 3, 4, 5,6,7,8,9,10]     x =data[5]     return x def b():     data = (1, 2, 3, 4, 5,6,7,8,9,10)     x =data[5]     return x print("-----:使用列表的機器碼:------") dis.dis(a) print("-----:使用元組的機器碼:------") dis.dis(b)

運行輸出:

-----:使用列表的機器碼:------
3 0 LOAD_CONST 1 (1)
2 LOAD_CONST 2 (2)
4 LOAD_CONST 3 (3)
6 LOAD_CONST 4 (4)
8 LOAD_CONST 5 (5)
10 LOAD_CONST 6 (6)
12 LOAD_CONST 7 (7)
14 LOAD_CONST 8 (8)
16 LOAD_CONST 9 (9)
18 LOAD_CONST 10 (10)
20 BUILD_LIST 10
22 STORE_FAST 0 (data)
4 24 LOAD_FAST 0 (data)
26 LOAD_CONST 5 (5)
28 BINARY_SUBSCR
30 STORE_FAST 1 (x)
5 32 LOAD_FAST 1 (x)
34 RETURN_VALUE
-----:使用元組的機器碼:------
7 0 LOAD_CONST 1 ((1, 2, 3, 4, 5, 6, 7, 8, 9, 10))
2 STORE_FAST 0 (data)
8 4 LOAD_FAST 0 (data)
6 LOAD_CONST 2 (5)
8 BINARY_SUBSCR
10 STORE_FAST 1 (x)
9 12 LOAD_FAST 1 (x)
14 RETURN_VALUE

看下列表的機器碼，冗長而多餘！

2. 善用強大的內置函數和第三方庫

如果你正在使用python並且仍在自己編寫一些通用函數(比如加法、減法)，那麼是在侮辱python。 Python有大量的庫和內置函數來幫助你不用編寫這些函數。 如果研究下，那麼你會驚奇地發現幾乎90%的問題已經有第三方包或內置函數來解決。

可以通過訪問官方文檔查看所有內置函數。你也可以在wiki python上找到更多使用內置函數的場景。

比如，現在我們想合並列表中的所有單詞為一個句子，比較法自己編寫和調用庫函數的區別:

# ❌ 正常人能想到的方法 @timeshow def f1(list):     s =""     for substring in list:         s += substring     return s # ✅ pythonic 的方法 @timeshow def f2(list):     s = "".join(list)     return s l = ["I", "Love", "Python"] * 1000 # 為了看到差異，我們把這個列表放大了 f1(l) f2(l)

運行輸出:

f1 : 0.000227 sec
f2 : 0.000031 sec

3. 少用循環

用 列表推導式 代替循環

用 迭代器 代替循環

用 filter() 代替循環

減少循環次數，精確控制，不浪費CPU

## 返回n以內的可以被7整除的所有數字。 # ❌ 正常人能想到的方法: @timeshow def f_loop(n):      L=[]     for i in range(n):         if i % 7 ==0:             L.append(i)     return L #  ✅ 列表推導式 @timeshow def f_list(n):     L = [i for i in range(n) if i % 7 == 0]     return L # ✅  迭代器 @timeshow def f_iter(n):     L = (i for i in range(n) if i % 7 == 0)     return L # ✅ 過濾器  @timeshow def f_filter(n):     L = filter(lambda x: x % 7 == 0, range(n))     return L # ✅ 精確控制循環次數  @timeshow def f_mind(n):     L = (i*7 for i in range(n//7))     return L n = 1_000_000 f_loop(n) f_list(n) f_iter(n) f_filter(n) f_mind(n)

輸出為:

f_loop : 0.083017 sec
f_list : 0.056110 sec
f_iter : 0.000015 sec
f_filter : 0.000003 sec
f_mind : 0.000002 sec

誰快誰慢，一眼便知！

filter 配合 lambda 大法就是屌！！！

4. 避免循環重復計算

如果你有一個迭代器，必須用它的元素做一些耗時計算，比如匹配正則表達式。你應該將正則表達式模式定義在循環之外，因為最好只編譯一次模式，而不是在循環的每次迭代中一次又一次地編譯它。

只要有可能，就應該嘗試在循環外進行盡可能多的運算，比如將函數計算分配給局部變數，然後在函數中使用它。

# ❌ 應改避免的方式： @timeshow def f_more(s):     import re     for i in s:         m = re.search(r'a*[a-z]?c', i) # ✅ 更好的方式： @timeshow def f_less(s):     import re     regex = re.compile(r'a*[a-z]?c')     for i in s:         m = regex.search(i) s = ["abctestabc"] * 1_000 f_more(s) f_less(s)

輸出為:

f_more : 0.001068 sec
f_less : 0.000365 sec

5. 少用內存、少用全局變數

內存佔用是指程序運行時使用的內存量。為了讓Python代碼運行得更快，應該減少程序的內存使用量，即盡量減少變數或對象的數量。

Python 訪問局部變數比全局變數更有效。在有必要之前，應該始終嘗試忽略聲明全局變數。一個在程序中定義過的全局變數會一直存在，直到整個程序編譯完成，所以它一直占據著內存空間。另一方面，局部變數訪問更快，且函數完成後即可回收。因此，使用多個局部變數比使用全局變數會更好。

# ❌ 應該避免的方式： message = "Line1 " message += "Line2 " message += "Line3 " # ✅ 更好的方式： l = ["Line1","Line2","Line3"] message = ' '.join(l) # ❌ 應該避免的方式： x = 5 y = 6  def add():     return x+y add() # ✅ 更好的方式： def add():     x = 5     y = 6     return x+y add()

總結

本篇文章就到這里了，希望能夠給你帶來幫助，也希望您能夠多多關注的更多內容!

『貳』 Python運行速度是一秒多少次

導讀：很多朋友問到關於Python運行速度是一秒多少次的相關問題，本文首席CTO筆記就來為大家做個詳細解答，供大家參考，希望對大家有所幫助！一起來看看吧！

python中運行js的速度

python中運行js的速度為每秒處理1000個位元組。根據查詢相關資料信息，python中運行js時執行應用程序的平均速度分別比C++應用程序慢8.01倍，單次速度為每秒處理1000個位元組。Python由荷蘭數學和計算機科學研究學會的吉多范羅蘇姆於1990年代初設計，作為一門叫做ABC語言的替代品。

python一秒鍾可以執行多少行代碼

一秒可以執行一行代碼。

python一般一秒鍾默認是執行一行代碼，一般使用python的Thread類的子類Timer，該子類可控制指定函數在特定時間後執行一次，如果為了實現多次定時執行某函數，只需要在一個while循環中多次新建Timer即可。

Python是由GuidovanRossum在八十年代末和九十年代初，在荷蘭國家數學和計算機科學研究所設計出來的。Python本身也是由諸多其他語言發展而來的，這包括ABC、Mola3、C、Algol68、SmallTalk、Unixshell和其他的腳本語言等等。

python爬蟲一秒鍾最快爬多少條數據

我見過3秒鍾喝完一「瓶」啤酒的人，也見過一小時才喝完一「杯」啤酒的人；

我見過一口吃完像巴掌大的麵包的人，也見過幾天才吃完像手指頭大的麵包；

——————我是一條可愛的分割線——————

回到正題：

爬蟲能爬多少，能爬多快。取決於演算法和網速。當然，說白了還是和工程師自己的實力有關。

#好的爬蟲一秒可以爬上萬條數據，

#有的爬蟲一天只能爬一條。

print「人生苦短，python當歌」

次循環要多久'>python跑10^>次循環要多久

1.for循環一萬次耗時2毫秒

2.for循環十萬次耗時22毫秒

3.for循環一百萬次耗時304毫秒

4.for循環一千萬次耗時2337毫秒，也就是2.3秒

5.for循環一億次耗時23468毫秒，也就是23.4秒

python處理大數據程序運行的越來越慢的問題

最近編寫並運行了一個處理1500萬個數據的程序，本來最初每秒可以處理150個左右的數據，預計大概15個小時的時間就可以處理完，晚上的時候就開始運行，本以為等到第二天中午就可以得到結果呢，，，

可是，等我第二天的時候一看，什麼？？？還沒處理完，當前的數據處理速度變成了一秒5個左右，然後還需要等待300個小時。

然後就查了一下這個問題，原來同樣也有很多人在處理大數據的時候遇到了這個問題，大多數的文章分析的原因都是說由於GC（垃圾回收）造成的性能下降。

Python的垃圾回收機制的工作原理為每個對象維護一個引用計數，每次內存對象的創建與銷毀都必須修改引用計數，從而在大量的對象創建時，需要大量的執行修改引用計數操作，對於程序執行過程中，額外的性能開銷是令人可怕的。回收的觸發時機有兩種可能，一是用戶主動調用gc.collect(),二是對象數量超過閾值。

所以正是GC拖慢了程序的性能，所以我們可以考慮在處理的時候禁止垃圾回收。

通過這樣的改進之後速度確度會有很大的提升。但是又有也會另外的一個問題，內存溢出，由於運行的過程中生成大量的對象，一次使用後就沒有了引用，由於關閉了垃圾回收機制，一直存在內存中得不到清理，然後程序的內存使用量越來越大。解決的方法就是定期打開gc.enable()再關閉或者主動調用gc.collect(),這樣就可以了。

通過上述的改進後程序確實了很多，可是我的程序還是運行的越來越慢，我都懷疑人生了，然後分別測試了各個步驟所花費的時間才知道了原因，我使用了pandas創建一個DataFrame,然後每次迭代得到的結果都添加新的數據到DataFrame中，隨著里邊的數據越來越多，添加的速度也就越來越慢了，嚴重的拖累的運行速度。這里的解決方法有兩個：

1分段保存結果，間隔一段時間就保存一次結果，最後再將多次的結果合並。

2換一個數據存儲方法，我是直接使用了python的字典進行保存結果，它隨著數據的增多添加的速度也會變慢，但是差別不是很大，在可接受的范圍內，可以使用；或者再加上方法1，分段進行保存再合並也是可以的。

結語：以上就是首席CTO筆記為大家整理的關於Python運行速度是一秒多少次的相關內容解答匯總了，希望對您有所幫助！如果解決了您的問題歡迎分享給更多關注此問題的朋友喔～