pythonlistin效率

A. 如何提高python的运行效率

窍门一：关键代码使用外部功能包

Python简化了许多编程任务，但是对于一些时间敏感的任务，它的表现经常不尽人意。使用C/C++或机器语言的外部功能包处理时间敏感任务，可以有效提高应用的运行效率。这些功能包往往依附于特定的平台，因此你要根据自己所用的平台选择合适的功能包。简而言之，这个窍门要你牺牲应用的可移植性以换取只有通过对底层主机的直接编程才能获得的运行效率。以下是一些你可以选择用来提升效率的功能包：

Cython
Pylnlne
PyPy
Pyrex

这些功能包的用处各有不同。比如说，使用c语言的数据类型，可以使涉及内存操作的任务更高效或者更直观。Pyrex就能帮助Python延展出这样的功能。Pylnline能使你在Python应用中直接使用C代码。内联代码是独立编译的，但是它把所有编译文件都保存在某处，并能充分利用C语言提供的高效率。

窍门二：在排序时使用键

Python含有许多古老的排序规则，这些规则在你创建定制的排序方法时会占用很多时间，而这些排序方法运行时也会拖延程序实际的运行速度。最佳的排序方法其实是尽可能多地使用键和内置的sort()方法。譬如，拿下面的代码来说：

import operator
somelist = [(1, 5,]
在每段例子里，list都是根据你选择的用作关键参数的索引进行排序的。这个方法不仅对数值类型有效，还同样适用于字符串类型。

窍门三：针对循环的优化

每一种编程语言都强调最优化的循环方案。当使用Python时，你可以借助丰富的技巧让循环程序跑得更快。然而，开发者们经常遗忘的一个技巧是：尽量避免在循环中访问变量的属性。譬如，拿下面的代码来说：

lowerlist = ['this', 'is', 'lowercase']
upper = str.upper
upperlist = []
append = upperlist.append
for word in lowerlist:
append(upper(word))
print(upperlist)
#Output = ['THIS', 'IS', 'LOWERCASE']
每次你调用str.upper, Python都会计算这个式子的值。然而，如果你把这个求值赋值给一个变量，那么求值的结果就能提前知道，Python程序就能运行得更快。因此，关键就是尽可能减小Python在循环中的工作量。因为Python解释执行的特性，在上面的例子中会大大减慢它的速度。

（注意：优化循环的方法还有很多，这只是其中之一。比如，很多程序员会认为，列表推导式是提高循环速度的最佳方法。关键在于，优化循环方案是提高应用程序运行速度的上佳选择。）

窍门四：使用较新的Python版本

如果你在网上搜索Python，你会发现数不尽的信息都是关于如何升级Python版本。通常，每个版本的Python都会包含优化内容，使其运行速度优于之前的版本。但是，限制因素在于，你最喜欢的函数库有没有同步更新支持新的Python版本。与其争论函数库是否应该更新，关键在于新的Python版本是否足够高效来支持这一更新。

你要保证自己的代码在新版本里还能运行。你需要使用新的函数库才能体验新的Python版本，然后你需要在做出关键性的改动时检查自己的应用。只有当你完成必要的修正之后，你才能体会新版本的不同。

然而，如果你只是确保自己的应用在新版本中可以运行，你很可能会错过新版本提供的新特性。一旦你决定更新，请分析你的应用在新版本下的表现，并检查可能出问题的部分，然后优先针对这些部分应用新版本的特性。只有这样，用户才能在更新之初就觉察到应用性能的改观。

窍门五：尝试多种编码方法

每次创建应用时都使用同一种编码方法几乎无一例外会导致应用的运行效率不尽人意。可以在程序分析时尝试一些试验性的办法。譬如说，在处理字典中的数据项时，你既可以使用安全的方法，先确保数据项已经存在再进行更新，也可以直接对数据项进行更新，把不存在的数据项作为特例分开处理。请看下面第一段代码：

n = 16
myDict = {}
for i in range(0, n):
char = 'abcd'[i%4]
if char not in myDict:
myDict[char] = 0
myDict[char] += 1
print(myDict)
当一开始myDict为空时，这段代码会跑得比较快。然而，通常情况下，myDict填满了数据，至少填有大部分数据，这时换另一种方法会更有效率。

n = 16
myDict = {}
for i in range(0, n):
char = 'abcd'[i%4]
try:
myDict[char] += 1
except KeyError:
myDict[char] = 1
print(myDict)
在两种方法中输出结果都是一样的。区别在于输出是如何获得的。跳出常规的思维模式，创建新的编程技巧能使你的应用更有效率。

窍门六：交叉编译你的应用

开发者有时会忘记计算机其实并不理解用来创建现代应用程序的编程语言。计算机理解的是机器语言。为了运行你的应用，你借助一个应用将你所编的人类可读的代码转换成机器可读的代码。有时，你用一种诸如Python这样的语言编写应用，再以C++这样的语言运行你的应用，这在运行的角度来说，是可行的。关键在于，你想你的应用完成什么事情，而你的主机系统能提供什么样的资源。

Nuitka是一款有趣的交叉编译器，能将你的Python代码转化成C++代码。这样，你就可以在native模式下执行自己的应用，而无需依赖于解释器程序。你会发现自己的应用运行效率有了较大的提高，但是这会因平台和任务的差异而有所不同。

（注意：Nuitka现在还处在测试阶段，所以在实际应用中请多加注意。实际上，当下最好还是把它用于实验。此外，关于交叉编译是否为提高运行效率的最佳方法还存在讨论的空间。开发者已经使用交叉编译多年，用来提高应用的速度。记住，每一种解决办法都有利有弊，在把它用于生产环境之前请仔细权衡。）

在使用交叉编译器时，记得确保它支持你所用的Python版本。Nuitka支持Python2.6, 2.7, 3.2和3.3。为了让解决方案生效，你需要一个Python解释器和一个C++编译器。Nuitka支持许多C++编译器，其中包括Microsoft Visual Studio,MinGW 和 Clang/LLVM。

交叉编译可能造成一些严重问题。比如，在使用Nuitka时，你会发现即便是一个小程序也会消耗巨大的驱动空间。因为Nuitka借助一系列的动态链接库（DDLs）来执行Python的功能。因此，如果你用的是一个资源很有限的系统，这种方法或许不太可行。

B. python怎么用insert函数插入多个值

a=[1,2,3,9,10]
b=[4,5,6,7,8]
c=a[:3]+b+a[3:]
print(c)
#[1,2,3,4,5,6,7,8,9,10]


#Solution2:uselist.insert(index,element)
a=[1,2,3,9,10]
b=[4,5,6,7,8]
index=3
foriinb[::-1]:
a.insert(index,i)
print(a)
#[1,2,3,4,5,6,7,8,9,10]

C. Python怎么设置条件表达式会提高效率

1.把range全部换成xrange
2.生成器，如 list=(item for item in fp)
3.利用psyco库，提高函数和类的运行效率。
4.字符串拼接：尽量少用“+”的方式，而采用''.join ，还有"%s"%i这样赋值的手段
5.函数的开销很大。尽量把循环放在函数内进行。而不要让每次迭代都调用函数。
6.“前提工作”先做好，比如该赋值，该拼接的，然后再引入到函数中，或者进行下面的循环。
7.尽量使用内置方法，因为内置的是C写的，效率肯定高很多
8.每当要对序列中的内容进行循环处理时，就应当尝试用列表解析来代替它，如：[i for i in xrang(10) if i%2==0]
9.学会使用itertools模块。当python中添加了迭代器后，就为常见模式提供了一个新的模块，因为它是以C语言编写，所以提供了最高效的迭代器。
--多记录一些。列表，字符串，字典，xrange,类文件对象，这些都是可迭代对象，换句话说，都可以直接用在for循环中进行迭代，如for item in open('1.txt')
--直接使用速度会快。另外，我对比了itertools里工具和xrange，比如都循环100000次打印数字，使用islice(count(),100000)均要比xrange(100000)快
--而xrange还要比range快。
10.用列表解析取代for循环。列表解析的效率等于或高于map。
11.垃圾回收机制，会对列表的操作有重大影响，如列表的append，或者列表解析。import gc，然后在数据载入模块前gc.disable（）,结束后再gc.enable()。

D. python和c语言的区别是什么

Python可以说是目前最火的语言之一了，人工智能的兴起让Python一夜之间变得家喻户晓，Python号称目前最最简单易学的语言，现在有不少高校开始将Python作为大一新生的入门语言。本萌新也刚开始接触Python，发现Python与其他语言确实有很大的区别。Python是由C语言实现的，因此想把Python与C语言做一个简单的比较。

1、语言类型

Python是一种基于解释器的语言，解释器会逐行读取代码；首先将Python编译为字节码，然后由大型C程序解释。

C是一种编译语言，完整的源代码将直接编译为机器代码，由CPU直接执行。

2、内存管理

Python使用自动垃圾收集器进行内存管理。

在C语言中，程序员必须自己进行内存管理。

3、应用

Python是一种通用编程语言，一个多范式。它主要支持面向对象编程，程序编程，函数编程。

C是结构化编程语言。允许使用函数，选择（if / else等），迭代（循环）。它主要用于硬件相关的应用程序。

4、速度

Python编程语言因为历史原因，有一个GIL锁，导致其对多线程支持不够好，运行速度较慢；而C语言很快，C语言是比较底层的语言，运行效率上要优于Python。

5、复杂度不一样

在Python中，不需要声明变量类型。而在C中，必须声明变量类型。

Python程序更易于学习，编写和阅读。而C程序语法比Python更难。

Python中的测试和调试更容易；而在C中测试和调试更难。

相关推荐：《Python教程》

知识点扩展

大的区别。Python是由C语言实现的，因此想把Python与C语言做一个简单的比较。

一、C语言是编译型语言，经过编译后，生成机器码，然后再运行，执行速度快，不能跨平台，一般用于操作系统，驱动等底层开发。

Python是编译型还是解释型这个界限并不明显，但大致上可以理解为解释型语言，执行速度慢，由于Python虚拟机，Python是可以跨平台的，Python高度集成适合于软件的快速开发。

二、

C语言中需要事先定义变量类型，以int类型为例，当定义一个int型变量后，就会在内存中开辟4个字节，再来进行初始化，由于长度是指定的，在运算过程中需要考虑，溢出，精度等问题。

Python中的数据类型：

1.Number：数字

·Int

·Float

·Bool

·Complex

2.String：字符串

3.List：列表

4.Tupel：元组

5.Sets：集合

6.Dictionary：字典

Python不需要事先定义变量类型，以a=3为例，在内存中存放一个整数3，然后再用变量a指向3，变量a是没有类型的，我们所说的类型是指变量所指的内存中对象的类型。

从数据类型上就可以看出Python的友好性，基本数据类型变少了，没有烦人的指针，不需要考虑数据溢出和精度的问题，当在程序中需要使用某个变量时，就能够直接使用，而不需要在程序开头定义变量。除此之外，Python还提供了str,list,dict这些强大的数据类型，让程序开发变的更为简单。

三、Python还提供了一个交互界面，输入python进入交互界面，输入exit()退出交互界面，类似于Linux终端，输入一行命令，执行一行，为学习Python提供了很大的便利。

四、在运算符和优先级上面，两者并没有大的区别，但在python中没有自加和自减运算符，在逻辑运算符上Python也区别于C语言，Python中是and，or，not ，而C语言中则是&&，||，！

五、Python中通过缩进来表示语句体，C语言通过{}来表示语句体，并且在Python中每一条语句结尾后没有分号，判断语句if else，这两者没有区别，循环语句while也没有，只是for循环，Python通过for in来表示。

六、Python有很多内置函数（build in function）,不需要写头文件，Python还有很多强大的模块，需要时导入便可。C语言在这一点上远不及Python,大多时候都需要自己手动实现。

七、C语言中的函数，有着严格的顺序限制，如果要调用函数，该函数需要在本次调用之前就需要被实现，或者在程序开头事先声明，而Python中则没有这个限制，Python中还有高阶函数这一概念，即函数名也可当作函数参数，函数名也是一种变量，指向内存中的某个函数，这种写法可以大大减少代码长度。

python中还提供了可变参数和关键字参数，这样使得函数的功能大大提高，原来需要写多个函数，现在只需要一个函数就可以实现这些功能。

八、C语言是面向过程的语言，很多时候都需要自己手动实现函数来完成某一功能。Python中引入了类和对象，是面向对象编程的语言，面向对象使得代码的可重用性大大提高，数据的封装性也更好。面向对象与面向过程的具体比较就不多说了，但有两句非常重要的话：类是抽象的，而对象是具体的。

九、python中既有函数也有方法，常常让人疑惑，我个人觉得也没有必要区分的非常清楚，但是两者还是有较大的区别：函数是自由的，而方法是受限的。在编程的时候需要分清楚调用的是方法还是函数。

总结：Python可以说是非常“简单”的语言，高度集成，代码量少，简单是相对其他语言而言。但编程从来都不是一个简单活，需要我们不断学习，掌握底层实现原理，才是正道。

E. python 把列表当作队列使用方法

可以把列表当做队列用，只是在队列里第一加入的元素，第一个取出来；但是拿列表用作这样的目的效率不高。在列表的最后添加或者弹出元素速度快，然而在列表里插入或者从头部弹出速度却不快（因为所有其他的元素都得一个一个地移动）。

F. 如何在Python中编写并发程序

GIL

在Python中,由于历史原因(GIL),使得Python中多线程的效果非常不理想.GIL使得任何时刻Python只能利用一个CPU核,并
且它的调度算法简单粗暴:多线程中,让每个线程运行一段时间t,然后强行挂起该线程,继而去运行其他线程,如此周而复始,直到所有线程结束.

这使得无法有效利用计算机系统中的"局部性",频繁的线程切换也对缓存不是很友好,造成资源的浪费.

据说Python官方曾经实现了一个去除GIL的Python解释器,但是其效果还不如有GIL的解释器,遂放弃.后来Python官方推出了"利
用多进程替代多线程"的方案,在Python3中也有concurrent.futures这样的包,让我们的程序编写可以做到"简单和性能兼得".

多进程/多线程+Queue

一般来说,在Python中编写并发程序的经验是:计算密集型任务使用多进程,IO密集型任务使用多进程或者多线程.另外,因为涉及到资源共享,所
以需要同步锁等一系列麻烦的步骤,代码编写不直观.另外一种好的思路是利用多进程/多线程+Queue的方法,可以避免加锁这样麻烦低效的方式.

现在在Python2中利用Queue+多进程的方法来处理一个IO密集型任务.

假设现在需要下载多个网页内容并进行解析,单进程的方式效率很低,所以使用多进程/多线程势在必行.
我们可以先初始化一个tasks队列,里面将要存储的是一系列dest_url,同时开启4个进程向tasks中取任务然后执行,处理结果存储在一个results队列中,最后对results中的结果进行解析.最后关闭两个队列.

下面是一些主要的逻辑代码.

# -*- coding:utf-8 -*-

#IO密集型任务
#多个进程同时下载多个网页
#利用Queue+多进程
#由于是IO密集型,所以同样可以利用threading模块

import multiprocessing

def main():
tasks = multiprocessing.JoinableQueue()
results = multiprocessing.Queue()
cpu_count = multiprocessing.cpu_count() #进程数目==CPU核数目

create_process(tasks, results, cpu_count) #主进程马上创建一系列进程,但是由于阻塞队列tasks开始为空,副进程全部被阻塞
add_tasks(tasks) #开始往tasks中添加任务
parse(tasks, results) #最后主进程等待其他线程处理完成结果

def create_process(tasks, results, cpu_count):
for _ in range(cpu_count):
p = multiprocessing.Process(target=_worker, args=(tasks, results)) #根据_worker创建对应的进程
p.daemon = True #让所有进程可以随主进程结束而结束
p.start() #启动

def _worker(tasks, results):
while True: #因为前面所有线程都设置了daemon=True,故不会无限循环
try:
task = tasks.get() #如果tasks中没有任务,则阻塞
result = _download(task)
results.put(result) #some exceptions do not handled
finally:
tasks.task_done()

def add_tasks(tasks):
for url in get_urls(): #get_urls() return a urls_list
tasks.put(url)

def parse(tasks, results):
try:
tasks.join()
except KeyboardInterrupt as err:
print "Tasks has been stopped!"
print err

while not results.empty():
_parse(results)

if __name__ == '__main__':
main()

利用Python3中的concurrent.futures包

在Python3中可以利用concurrent.futures包,编写更加简单易用的多线程/多进程代码.其使用感觉和Java的concurrent框架很相似(借鉴?)
比如下面的简单代码示例

def handler():
futures = set()

with concurrent.futures.ProcessPoolExecutor(max_workers=cpu_count) as executor:
for task in get_task(tasks):
future = executor.submit(task)
futures.add(future)

def wait_for(futures):
try:
for future in concurrent.futures.as_completed(futures):
err = futures.exception()
if not err:
result = future.result()
else:
raise err
except KeyboardInterrupt as e:
for future in futures:
future.cancel()
print "Task has been canceled!"
print e
return result

总结

要是一些大型Python项目也这般编写,那么效率也太低了.在Python中有许多已有的框架使用,使用它们起来更加高效.

G. python语言运行速度如此差

这就要说到 Python 类语言和 C 类语言的主要区别了，Python 属于解释型语言，通俗来说就是你可以一句一句地输入，而 Python 解释器（Interpreter）可以一句一句地执行，而 C 语言属于编译型语言，无法做到这一点，只能一次性输入完成，编译成一个完整的程序再执行，而这个编译的过程由于现代编译器做了非常多的优化，并且你的程序没有输入只有输出，每次运行都出固定的结果，所以极有可能被编译器优化成为了只有一条输出语句（实际情况可能要复杂一些），总的来说就是由于二者之间原理的差异导致了性能的差异，你可以搜一搜相关的资料，关掉 C 语言编译时的优化，再看一下性能，或者将固定的那些值改为运行时需要输入再看一下效果。
Python 相较于 C 的优势有很多，性能这一方面你不需要关心，做出一个足够复杂的程序，它们之间运行效率差不了多少的。

H. python 字典和元组遍历速度哪个快

当然是元组了，元组就相当于数组，直接按照索引去取元素。而字典是按照key去取元素（类似于hash表），速度当然比不上元组了。下面的测试可以提供一些直观的感觉。

$python-mtimeit-s'a=dict(a=12,b=13,c=14)''fork,vina.items():''pass'
1000000loops,bestof3:0.391usecperloop
$python-mtimeit-s'a=(12,13,14)''forvina:''pass'
10000000loops,bestof3:0.12usecperloop

可以看到遍历同样是三个元素的dict的时间大致上是tuple的3倍左右。 （实际上这个时间包括了创建 dict 和 tuple 的时间，创建dict的时间也是要大于创建tuple的时间的，这里就不细分了，总之，dict的创建、访问时间一定是大于tuple的）

但是在python中，dict是做过极度优化的，其效率已经非常高了，因为在python中它的使用实在是太广了。所以在实际编程中，一般我们只根据实际需求来考虑使用什么数据结构 (dict, list, set, tuple)，而不是根据不同数据结构的访问速度差别。