Python 性能快速优化： 系列一

注： 本文的原文地址 quick-python-performance-optimization-part-i

Python可能最容易扼杀你的想法，但不是最好的代码实现。尽管强烈反对过早优化，但在 Python 代码中一点点的优化均可能带来巨大的性能提高。

解释仅仅是目的，最正确的方式是每天使用 Python 编程，而且与性能影响相关。

• %timeit (per line) 和 %prun (cProfile) 在 ipython 的交互式 Shell 中

当你的代码在工做时，分析你的代码，而且尝试找出性能瓶颈在哪里。这不与过早的优化是万恶之源这个事实相反。这意味着一级优化，而不是进入冗长的优化序列。

更多的分析你的 Python 代码，你须要阅读这个 python-performance-analysis

另一个有趣的包， line_profiler 是一行一行的分析代码
分析 line_profiler

• 下降方法调用次数，若是你有一个列表须要操做，传递整个列表，而不是遍历整个列表而且传递每一个元素给函数并返回。
• 使用 xrange 代替 range。（在 Python2.x 中这样作，由于 Python 3.x 中是默认的）

xrange 是 range 的 C 实现，着眼于有效的内存使用。

• 对于大数据，使用 numpy，它比标准的数据结构好不少。

• "".join(string) 比 + or += 好

• while 1 比 while True 快

• list comphrension > for loop > while

列表推导比循环遍历列表快，但 while loop 是最慢的，须要使用一个外部计数器。

• 使用 cProfile，cStringIO 和 cPickle

一直使用 C 版本的模块

• 使用局部变量

局部变量比全局变量，内建类型以及属性快。

• 列表和迭代器版本存在 - 迭代器是内存效率和可伸缩性的。使用 itertools

建立生成器以及尽量使用 yeild，它们比正常的列表方式更快。

http://www.diveinto.org/python3/iterators.html

http://stackoverflow.com/questions/231767/the-python-yield-keyword-explained

让我继续下一个层次的第二部分快速优化技巧