解決python運(yùn)行效率不高的問題
當(dāng)我們提到一門編程語(yǔ)言的效率時(shí):通常有兩層意思,第一是開發(fā)效率,這是對(duì)程序員而言,完成編碼所需要的時(shí)間;另一個(gè)是運(yùn)行效率,這是對(duì)計(jì)算機(jī)而言,完成計(jì)算任務(wù)所需要的時(shí)間。編碼效率和運(yùn)行效率往往是魚與熊掌的關(guān)系,是很難同時(shí)兼顧的。不同的語(yǔ)言會(huì)有不同的側(cè)重,python語(yǔ)言毫無(wú)疑問更在乎編碼效率,life is short,we use python。
雖然使用python的編程人員都應(yīng)該接受其運(yùn)行效率低的事實(shí),但python在越多越來(lái)的領(lǐng)域都有廣泛應(yīng)用,比如科學(xué)計(jì)算 、web服務(wù)器等。程序員當(dāng)然也希望python能夠運(yùn)算得更快,希望python可以更強(qiáng)大。
首先,python相比其他語(yǔ)言具體有多慢,這個(gè)不同場(chǎng)景和測(cè)試用例,結(jié)果肯定是不一樣的。這個(gè)網(wǎng)址給出了不同語(yǔ)言在各種case下的性能對(duì)比,這一頁(yè)是python3和C++的對(duì)比,下面是兩個(gè)case:
從上圖可以看出,不同的case,python比C++慢了幾倍到幾十倍。
python運(yùn)算效率低,具體是什么原因呢,下列羅列一些:
第一:python是動(dòng)態(tài)語(yǔ)言
一個(gè)變量所指向?qū)ο蟮念愋驮谶\(yùn)行時(shí)才確定,編譯器做不了任何預(yù)測(cè),也就無(wú)從優(yōu)化。舉一個(gè)簡(jiǎn)單的例子: r = a + b?!和b相加,但a和b的類型在運(yùn)行時(shí)才知道,對(duì)于加法操作,不同的類型有不同的處理,所以每次運(yùn)行的時(shí)候都會(huì)去判斷a和b的類型,然后執(zhí)行對(duì)應(yīng)的操作。而在靜態(tài)語(yǔ)言如C++中,編譯的時(shí)候就確定了運(yùn)行時(shí)的代碼。
另外一個(gè)例子是屬性查找,關(guān)于具體的查找順序在《python屬性查找》中有詳細(xì)介紹。簡(jiǎn)而言之,訪問對(duì)象的某個(gè)屬性是一個(gè)非常復(fù)雜的過程,而且通過同一個(gè)變量訪問到的python對(duì)象還都可能不一樣(參見Lazy property的例子)。而在C語(yǔ)言中,訪問屬性用對(duì)象的地址加上屬性的偏移就可以了。
第二:python是解釋執(zhí)行,但是不支持JIT(just in time compiler)。雖然大名鼎鼎的google曾經(jīng)嘗試Unladen Swallow 這個(gè)項(xiàng)目,但最終也折了。
第三:python中一切都是對(duì)象,每個(gè)對(duì)象都需要維護(hù)引用計(jì)數(shù),增加了額外的工作。
第四:python GIL,GIL是Python最為詬病的一點(diǎn),因?yàn)镚IL,python中的多線程并不能真正的并發(fā)。如果是在IO bound的業(yè)務(wù)場(chǎng)景,這個(gè)問題并不大,但是在CPU BOUND的場(chǎng)景,這就很致命了。所以筆者在工作中使用python多線程的情況并不多,一般都是使用多進(jìn)程(pre fork),或者在加上協(xié)程。即使在單線程,GIL也會(huì)帶來(lái)很大的性能影響,因?yàn)閜ython每執(zhí)行100個(gè)opcode(默認(rèn),可以通過sys.setcheckinterval()設(shè)置)就會(huì)嘗試線程的切換,具體的源代碼在ceval.c::PyEval_EvalFrameEx。
第五:垃圾回收,這個(gè)可能是所有具有垃圾回收的編程語(yǔ)言的通病。python采用標(biāo)記和分代的垃圾回收策略,每次垃圾回收的時(shí)候都會(huì)中斷正在執(zhí)行的程序,造成所謂的頓卡。infoq上有一篇文章,提到禁用Python的GC機(jī)制后,Instagram性能提升了10%。感興趣的讀者可以去細(xì)讀。
內(nèi)容擴(kuò)展
關(guān)于python運(yùn)行效率的分析:
如果每次你創(chuàng)建一個(gè)應(yīng)用程序都是用相同的編碼方法,幾乎肯定會(huì)導(dǎo)致一些你的應(yīng)用程序比它能夠達(dá)到的運(yùn)行效率慢的情況。作為分析過程的一部分,你可以嘗試一些實(shí)驗(yàn)。例如,在一個(gè)字典中管理一些元素,你可以采用安全的方法確定元素是否已經(jīng)存在并更新,或者你可以直接添加元素,然后作為異常處理該元素不存在情況??紤]第一個(gè)編碼的例子:
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)
這段代碼通常會(huì)在myDict開始為空時(shí)運(yùn)行得更快。然而,當(dāng)mydict通常被數(shù)據(jù)填充(或者至少大部分被充填)時(shí),另一種方法效果更好。
n = 16 myDict = {} for i in range(0, n): char = 'abcd'[i%4] try: myDict[char] += 1 except KeyError: myDict[char] = 1 print(myDict)
兩種情況下具有相同的輸出:{‘d': 4, ‘c': 4, ‘b': 4, ‘a(chǎn)': 4}。唯一的不同是這個(gè)輸出是如何得到的。跳出固定的思維模式,創(chuàng)造新的編碼技巧,能夠幫助你利用你的應(yīng)用程序獲得更快的結(jié)果。
相關(guān)文章
Python3+Pycharm+PyQt5環(huán)境搭建步驟圖文詳解
這篇文章主要介紹了Python3+Pycharm+PyQt5環(huán)境搭建步驟圖文詳解,本文給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-05-05Opencv圖像添加椒鹽噪聲、高斯濾波去除噪聲原理以及手寫Python代碼實(shí)現(xiàn)方法
椒鹽噪聲的特征非常明顯,為圖像上有黑色和白色的點(diǎn),下面這篇文章主要給大家介紹了關(guān)于Opencv圖像添加椒鹽噪聲、高斯濾波去除噪聲原理以及手寫Python代碼實(shí)現(xiàn)的相關(guān)資料,文中通過實(shí)例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-09-09Appium+python+unittest搭建UI自動(dòng)化框架的實(shí)現(xiàn)
本文主要介紹了Appium+python+unittest搭建UI自動(dòng)化框架的實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2024-03-03在python3中實(shí)現(xiàn)查找數(shù)組中最接近與某值的元素操作
今天小編就為大家分享一篇在python3中實(shí)現(xiàn)查找數(shù)組中最接近與某值的元素操作,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來(lái)看看吧2020-02-02PyQt5 QLineEdit輸入的子網(wǎng)字符串校驗(yàn)QRegExp實(shí)現(xiàn)
這篇文章主要介紹了PyQt5 QLineEdit輸入的子網(wǎng)字符串校驗(yàn)QRegExp實(shí)現(xiàn),文中通過示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04使用matplotlib修改坐標(biāo)軸,將y軸的間距設(shè)置為某一個(gè)值
這篇文章主要介紹了使用matplotlib修改坐標(biāo)軸,將y軸的間距設(shè)置為某一個(gè)值方式,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-02-02