python 速度优化

在我看来，python社区分为了三个流派，分别是python 2.x组织，3.x组织和PyPy组织。这个分类基本上可以归根于类库的兼容性和速度。这篇文章将聚焦于一些通用代码的优化技巧以及编译成C后性能的显著提升，当然我也会给出三大主要python流派运行时间。我的目的不是为了证明一个比另一个强，只是为了让你知道如何在不同的环境下使用这些具体例子作比较。

缪斯的情人
翻译于 2年前

3人顶

顶 翻译的不错哦!

使用生成器 

一个普遍被忽略的内存优化是生成器的使用。生成器让我们创建一个函数一次只返回一条记录，而不是一次返回所有的记录，如果你正在使用python2.x，这就是你为啥使用xrange替代range或者使用ifilter替代filter的原因。一个很好地例子就是创建一个很大的列表并将它们拼合在一起。

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

importtimeit

importrandom

  

defgenerate(num):

whilenum:

yieldrandom.randrange(10)

num -=1

  

defcreate_list(num):

numbers =[]

whilenum:

numbers.append(random.randrange(10))

num -=1

returnnumbers

print(timeit.timeit("sum(generate(999))", setup="from __main__ import generate", number=1000))

>>> 0.88098192215#Python 2.7

>>> 1.416813850402832#Python 3.2

print(timeit.timeit("sum(create_list(999))", setup="from __main__ import create_list", number=1000))

>>> 0.924163103104#Python 2.7

>>> 1.5026731491088867#Python 3.2

这不仅是快了一点，也避免了你在内存中存储全部的列表!

缪斯的情人
翻译于 2年前

3人顶

顶 翻译的不错哦!

Ctypes的介绍

对于关键性的性能代码python本身也提供给我们一个API来调用C方法，主要通过 ctypes来实现，你可以不写任何C代码来利用ctypes。默认情况下python提供了预编译的标准c库，我们再回到生成器的例子，看看使用ctypes实现花费多少时间。

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

importtimeit

fromctypes importcdll

  

defgenerate_c(num):

#Load standard C library

libc =cdll.LoadLibrary("libc.so.6") #Linux

#libc = cdll.msvcrt #Windows

whilenum:

yieldlibc.rand() %10

num -=1

  

print(timeit.timeit("sum(generate_c(999))", setup="from __main__ import generate_c", number=1000))

>>> 0.434374809265#Python 2.7

>>> 0.7084300518035889#Python 3.2

仅仅换成了c的随机函数，运行时间减了大半！现在如果我告诉你我们还能做得更好，你信吗?

缪斯的情人
翻译于 2年前

1人顶

顶 翻译的不错哦!

Cython的介绍

Cython 是python的一个超集，允许我们调用C函数以及声明变量来提高性能。尝试使用之前我们需要先安装Cython.

sudo pip install cython

Cython 本质上是另一个不再开发的类似类库Pyrex的分支，它将我们的类Python代码编译成C库，我们可以在一个python文件中调用。对于你的python文件使用.pyx后缀替代.py后缀，让我们看一下使用Cython如何来运行我们的生成器代码。

?

1

2

3

4

5

6

7

#cython_generator.pyx

importrandom

  

defgenerate(num):

whilenum:

yieldrandom.randrange(10)

num -=1

我们需要创建个setup.py以便我们能获取到Cython来编译我们的函数。

?

1

2

3

4

5

6

7

8

fromdistutils.core importsetup

fromdistutils.extension importExtension

fromCython.Distutils importbuild_ext

  

setup(

cmdclass ={'build_ext': build_ext},

ext_modules =[Extension("generator", ["cython_generator.pyx"])]

)

编译使用:

python setup.py build_ext --inplace

你应该可以看到两个文件cython_generator.c 文件 和 generator.so文件，我们使用下面方法测试我们的程序:

?

1

2

3

importtimeit

print(timeit.timeit("sum(generator.generate(999))", setup="import generator", number=1000))

>>> 0.835658073425

还不赖，让我们看看是否还有可以改进的地方。我们可以先声明“num”为整形，接着我们可以导入标准的C库来负责我们的随机函数。

?

1

2

3

4

5

6

7

8

#cython_generator.pyx

cdef extern from"stdlib.h":

intc_libc_rand "rand"()

  

defgenerate(intnum):

whilenum:

yieldc_libc_rand() %10

num -=1

如果我们再次编译运行我们会看到这一串惊人的数字。

>>> 0.033586025238

仅仅的几个改变带来了不赖的结果。然而，有时这个改变很乏味，因此让我们来看看如何使用规则的python来实现吧。

缪斯的情人
翻译于 2年前

1人顶

顶 翻译的不错哦!

其它翻译版本(1)

PyPy的介绍

PyPy 是一个Python2.7.3的即时编译器，通俗地说这意味着让你的代码运行的更快。Quora在生产环境中使用了PyPy。PyPy在它们的下载页面有一些安装说明，但是如果你使用的Ubuntu系统，你可以通过apt-get来安装。它的运行方式是立即可用的，因此没有疯狂的bash或者运行脚本，只需下载然后运行即可。让我们看看我们原始的生成器代码在PyPy下的性能如何。

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

importtimeit

importrandom

  

defgenerate(num):

whilenum:

yieldrandom.randrange(10)

num -=1

  

defcreate_list(num):

numbers =[]

whilenum:

numbers.append(random.randrange(10))

num -=1

returnnumbers

print(timeit.timeit("sum(generate(999))", setup="from __main__ import generate", number=1000))

>>> 0.115154981613#PyPy 1.9

>>> 0.118431091309#PyPy 2.0b1

print(timeit.timeit("sum(create_list(999))", setup="from __main__ import create_list", number=1000))

>>> 0.140175104141#PyPy 1.9

>>> 0.140514850616#PyPy 2.0b1

哇！没有修改一行代码运行速度是纯python实现的8倍。

缪斯的情人
翻译于 2年前

0人顶

顶 翻译的不错哦!

进一步测试

为什么还要进一步研究？PyPy是冠军！并不全对。虽然大多数程序可以运行在PyPy上，但是还是有一些库没有被完全支持。而且，为你的项目写C的扩展相比换一个编译器更加容易。让我们更加深入一些，看看ctypes如何让我们使用C来写库。我们来测试一下归并排序和计算斐波那契数列的速度。下面是我们要用到的C代码（functions.c）：

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

/* functions.c */

#include <stdio.h>

#include <stdlib.h>

#include <string.h>

 

/* http://rosettacode.org/wiki/Sorting_algorithms/Merge_sort#C */

inlinevoid

merge (int*left, intl_len, int*right, intr_len, int*out)

{

  inti, j, k;

  for(i = j = k = 0; i < l_len && j < r_len;)

    out[k++] = left[i] < right[j] ? left[i++] : right[j++];

  while(i < l_len)

    out[k++] = left[i++];

  while(j < r_len)

    out[k++] = right[j++];

}

 

/* inner recursion of merge sort */

void

recur (int*buf, int*tmp, intlen)

{

  intl = len / 2;

  if(len <= 1)

    return;

/* note that buf and tmp are swapped */

  recur (tmp, buf, l);

  recur (tmp + l, buf + l, len - l);

  merge (tmp, l, tmp + l, len - l, buf);

}

 

/* preparation work before recursion */

void

merge_sort (int*buf, intlen)

{

/* call alloc, copy and free only once */

  int*tmp = malloc(sizeof(int) * len);

  memcpy(tmp, buf, sizeof(int) * len);

  recur (buf, tmp, len);

  free(tmp);

}

 

int

fibRec (intn)

{

  if(n < 2)

    returnn;

  else

    returnfibRec (n - 1) + fibRec (n - 2);

}

在Linux平台，我们可以用下面的方法把它编译成一个共享库：

gcc -Wall -fPIC -c functions.cgcc -shared -o libfunctions.so functions.o

使用ctypes， 通过加载"libfunctions.so"这个共享库，就像我们前边对标准C库所作的那样，就可以使用这个库了。这里我们将要比较Python实现和C实现。现在我们开始计算斐波那契数列：

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

# functions.py

 

fromctypes import*

importtime

  

libfunctions =cdll.LoadLibrary("./libfunctions.so")

  

deffibRec(n):

    ifn < 2:

        returnn

    else:

        returnfibRec(n-1) +fibRec(n-2)

  

start =time.time()

fibRec(32)

finish =time.time()

print("Python: " + str(finish -start))

  

# C Fibonacci

start =time.time()

x =libfunctions.fibRec(32)

finish =time.time()

print("C: " + str(finish -start))

?

1

2

3

4

5

6

7

8

Python: 1.18783187866 #Python 2.7

Python: 1.272292137145996 #Python 3.2

Python: 0.563600063324 #PyPy 1.9

Python: 0.567229032516 #PyPy 2.0b1

C: 0.043830871582 #Python 2.7 + ctypes

C: 0.04574108123779297 #Python 3.2 + ctypes

C: 0.0481240749359 #PyPy 1.9 + ctypes

C: 0.046403169632 #PyPy 2.0b1 + ctypes

正如我们预料的那样，C比Python和PyPy更快。我们也可以用同样的方式比较归并排序。

crab2313
翻译于 2年前

0人顶

顶 翻译的不错哦!

我们还没有深挖Cypes库，所以这些例子并没有反映python强大的一面，Cypes库只有少量的标准类型限制，比如int型，char数组，float型，字节（bytes）等等。默认情况下，没有整形数组，然而通过与c_int相乘（ctype为int类型）我们可以间接获得这样的数组。这也是代码第7行所要呈现的。我们创建了一个c_int数组，有关我们数字的数组并分解打包到c_int数组中

主要的是c语言不能这样做，而且你也不想。我们用指针来修改函数体。为了通过我们的c_numbers的数列，我们必须通过引用传递merge_sort功能。运行merge_sort后，我们利用c_numbers数组进行排序，我已经把下面的代码加到我的functions.py文件中了。

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

#Python Merge Sort

from random import shuffle, sample

  

#Generate 9999 random numbers between 0 and 100000

numbers = sample(range(100000), 9999)

shuffle(numbers)

c_numbers = (c_int * len(numbers))(*numbers)

  

from heapq import merge

defmerge_sort(m):

iflen(m) <= 1:

returnm

middle = len(m) // 2

left = m[:middle]

right = m[middle:]

left = merge_sort(left)

right = merge_sort(right)

returnlist(merge(left, right))

  

start = time.time()

numbers = merge_sort(numbers)

finish = time.time()

print("Python: " + str(finish - start))

  

#C Merge Sort

start = time.time()

libfunctions.merge_sort(byref(c_numbers), len(numbers))

finish = time.time()

print("C: " + str(finish - start))

?

1

2

3

4

5

6

7

8

Python: 0.190635919571 #Python 2.7

Python: 0.11785483360290527 #Python 3.2

Python: 0.266992092133 #PyPy 1.9

Python: 0.265724897385 #PyPy 2.0b1

C: 0.00201296806335 #Python 2.7 + ctypes

C: 0.0019741058349609375 #Python 3.2 + ctypes

C: 0.0029308795929 #PyPy 1.9 + ctypes

C: 0.00287103652954 #PyPy 2.0b1 + ctypes

这儿通过表格和图标来比较不同的结果。

Merge SortFibonacciPython 2.70.1911.187Python 2.7 + ctypes0.0020.044Python 3.20.1181.272Python 3.2 + ctypes0.0020.046PyPy 1.90.2670.564PyPy 1.9 + ctypes0.0030.048PyPy 2.0b10.2660.567PyPy 2.0b1 + ctypes0.0030.046

希望你利用C和PyPy优化你的python代码并以此为敲门砖找到一个好职位。像往常一样如果你有任何意见或问题，请随时把评论下载下面或者在我的网页上与我取得联系。感谢您的阅读！