為什么在函數(shù)中運行的?Python?代碼速度更快？
當談到編程效率和性能優(yōu)化時，Python 常常被調(diào)侃為“慢如蝸牛”
有趣的是，Python 代碼在函數(shù)中運行往往比在全局范圍內(nèi)運行要快得多
小伙伴們可能會有這個疑問：為什么在函數(shù)中運行的 Python 代碼速度更快？
今天這篇文章將會解答大家心中的疑惑
原文鏈接：https://stackabuse.com/why-does-python-code-run-faster-in-a-function/
譯文
要理解為什么 Python 代碼在函數(shù)中運行得更快，我們需要首先了解 Python 是如何執(zhí)行代碼的
我們知道，python 是一種解釋型語言，它會逐行讀取并執(zhí)行代碼
當運行一個 python 程序的時候，首先將代碼編譯成字節(jié)碼（一種更接近機器碼的中間語言）然后 python 解釋器執(zhí)行字節(jié)碼
def hello_world():
print("Hello, World!")
import dis
dis.dis(hello_world)#結(jié)果
2 0 LOAD_GLOBAL 0 (print)
2 LOAD_CONST 1 ('Hello, World!')
4 CALL_FUNCTION 1
6 POP_TOP
8 LOAD_CONST 0 (None)
10 RETURN_VALUE由上所示，python 中的 dis 模塊將函數(shù) hello_world 分解為字節(jié)碼
需要注意的是，python 解釋器是一個執(zhí)行字節(jié)碼的虛擬機，默認的 python 解釋器是用 C 編寫的，即 CPython
還有其他的 python 解釋器如 Jython(用 Java 編寫)，IronPython(用于 .net)和PyPy(用 Python 和 C 編寫)
為什么 Python 代碼在函數(shù)中運行得更快
我們來編寫一個簡單的例子：定義一個函數(shù) my_function，函數(shù)內(nèi)部包含一個 for 循環(huán)
def my_function():
for i in range(100000000):
pass編譯該函數(shù)的時候，字節(jié)碼可能如下所示
SETUP_LOOP 20 (to 23) LOAD_GLOBAL 0 (range) LOAD_CONST 3 (100000000) CALL_FUNCTION 1 GET_ITER FOR_ITER 6 (to 22) STORE_FAST 0 (i) JUMP_ABSOLUTE 13 POP_BLOCK LOAD_CONST 0 (None) RETURN_VALUE
這里的關(guān)鍵指令是 STORE_FAST ，用于存儲循環(huán)變量 i
現(xiàn)在我們把這個 for 循環(huán)放在 python 腳本的頂層（全局范圍內(nèi)），然后再來看一下字節(jié)碼
for i in range(100000000): pass
SETUP_LOOP 20 (to 23) LOAD_NAME 0 (range) LOAD_CONST 3 (100000000) CALL_FUNCTION 1 GET_ITER FOR_ITER 6 (to 22) STORE_NAME 1 (i) JUMP_ABSOLUTE 13 POP_BLOCK LOAD_CONST 2 (None) RETURN_VALUE
可以看到關(guān)鍵指令變成了 STORE_NAME，而不是 STORE_FAST
字節(jié)碼 STORE_FAST比 STORE_NAME 快，因為在函數(shù)中，局部變量存儲在固定長度的數(shù)組中，而不是存儲在字典中。這個數(shù)組可以通過索引直接訪問，使得變量檢索非?？?/strong>
基本上，它只是一個指向列表的指針，并增加了 PyObject 的引用計數(shù)，這兩個都是高效的操作
另一方面，全局變量存儲在一個字典。當訪問全局變量時，Python 必須執(zhí)行哈希表查找，這涉及計算哈希值，然后檢索與之關(guān)聯(lián)的值
雖然經(jīng)過優(yōu)化，但仍然比基于索引的查找慢
基準測試驗證
我們知道在 Python 中，代碼執(zhí)行的速度取決于代碼執(zhí)行的位置——在函數(shù)中還是在全局作用域中
讓我們用一個簡單的基準測試的例子來比較一下
首先定義一個求階乘的函數(shù)
def factorial(n):
result = 1
for i in range(1, n + 1):
result *= i
return result然后在全局范圍內(nèi)執(zhí)行相同的代碼
n = 20
result = 1
for i in range(1, n + 1):
result *= i為了對這兩段代碼進行基準測試，我們可以在 Python 中使用 timeit 模塊，它提供了一種簡單的方法來對少量 Python 代碼進行計時
import timeit
# 函數(shù)
def benchmark():
start = timeit.default_timer()
factorial(20)
end = timeit.default_timer()
print(end - start)
benchmark()
# Prints: 3.541994374245405e-06
# 全局范圍
start = timeit.default_timer()
n = 20
result = 1
for i in range(1, n + 1):
result *= i
end = timeit.default_timer()
print(end - start)
# Pirnts: 5.375011824071407e-06可以看到，函數(shù)代碼的執(zhí)行速度比全局作用域代碼要快
需要注意的是，這兩段代碼最好不要放在同一腳本中，要分開單獨運行
這是因為
benchmark()函數(shù)在執(zhí)行時間上增加了一些開銷，并且全局代碼在內(nèi)部進行了優(yōu)化
cProfile 分析
python 提供了一個 cProfile 內(nèi)置模塊
讓我們用它來分析一個新例子：在局部和全局范圍內(nèi)計算平方和
import cProfile
def sum_of_squares():
total = 0
for i in range(1, 10000000):
total += i * i
i = None
total = 0
def sum_of_squares_g():
global i
global total
for i in range(1, 10000000):
total += i * i
def profile(func):
pr = cProfile.Profile()
pr.enable()
func()
pr.disable()
pr.print_stats()
#
# Profile function code
#
print("Function scope:")
profile(sum_of_squares)
#
# Profile global scope code
#
print("Global scope:")
profile(sum_of_squares_g)上面的例子中，可以認為sum_of_squares_g() 函數(shù)是全局的，因為它使用了兩個全局變量， i 和 total
從性能分析結(jié)果中，可以看到函數(shù)代碼在執(zhí)行時間方面比全局更有效
Function scope:
2 function calls in 0.903 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.903 0.903 0.903 0.903 profiler.py:3(sum_of_squares)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
Global scope:
2 function calls in 1.358 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 1.358 1.358 1.358 1.358 profiler.py:10(sum_of_squares_g)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}如何優(yōu)化 python 函數(shù)的性能
前面我們知道，Python 代碼在函數(shù)中運行往往比在全局范圍內(nèi)運行要快得多
如果想要進一步提高 python 函數(shù)代碼效率，不妨考慮一下使用局部變量而不是全局變量
另一種方法是盡可能使用內(nèi)置函數(shù)和庫。Python 的內(nèi)置函數(shù)是用 C 實現(xiàn)的，比 Python 快得多
比如 NumPy 和 Pandas，也是用 C 或 C++ 實現(xiàn)的，它們比實現(xiàn)同樣功能的 Python 代碼速度更快
又比如同樣是實現(xiàn)數(shù)字求和的功能，python 內(nèi)置的 sum 函數(shù)要比你自己編寫函數(shù)速度更快
到此這篇關(guān)于為什么在函數(shù)中運行的 Python 代碼速度更快？的文章就介紹到這了,更多相關(guān)函數(shù)中運行的 Python 代碼速度塊內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
下面小編就為大家分享一篇pandas groupby 分組取每組的前幾行記錄方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-04-04
python/Matplotlib繪制復變函數(shù)圖像教程
今天小編就為大家分享一篇python/Matplotlib繪制復變函數(shù)圖像教程，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-11-11
這篇文章主要介紹了解決pycharm臨時打包32位程序的問題,本文通過圖文并茂的形式給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2021-04-04
PyTorch使用Torchdyn實現(xiàn)連續(xù)時間神經(jīng)網(wǎng)絡的代碼示例
神經(jīng)常微分方程（Neural ODEs）是深度學習領(lǐng)域的創(chuàng)新性模型架構(gòu),它將神經(jīng)網(wǎng)絡的離散變換擴展為連續(xù)時間動力系統(tǒng),本文將基于Torchdyn（一個專門用于連續(xù)深度學習和平衡模型的PyTorch擴展庫）介紹Neural ODE的實現(xiàn)與訓練方法,需要的朋友可以參考下2025-02-02
這篇文章主要為大家詳細介紹了python中字典和列表相互嵌套的問題，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-11-11
Python和Java的語法對比分析語法簡潔上python的確完美勝出
Python是一種廣泛使用的解釋型、高級編程、通用型編程語言，由吉多·范羅蘇姆創(chuàng)造，第一版發(fā)布于1991年。這篇文章主要介紹了Python和Java的語法對比，語法簡潔上python的確完美勝出 ,需要的朋友可以參考下2019-05-05
這篇文章主要介紹了python 類詳解及實例的相關(guān)資料,需要的朋友可以參考下2017-03-03
Numpy 多維數(shù)據(jù)數(shù)組的實現(xiàn)
這篇文章主要介紹了Numpy 多維數(shù)據(jù)數(shù)組的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-06-06
這篇文章主要介紹了總結(jié)的幾個Python函數(shù)方法設計原則,本文講解了每個函數(shù)只做一件事、保持簡單、保持簡短、輸入使用參數(shù)、輸出使用return語句等內(nèi)容,需要的朋友可以參考下2015-06-06
Python Web框架Flask中使用新浪SAE云存儲實例
這篇文章主要介紹了Python Web框架Flask中使用新浪SAE云存儲實例,本文是對SAE云存儲的簡單封裝,需要的朋友可以參考下2015-02-02