1.python執(zhí)行原理

python執(zhí)行過程：python腳本語言（.py）或者cython語言(.pyx)–解釋器解釋–>字節(jié)碼（.pyc）–虛擬機執(zhí)行–>機器碼（看不到，可以在cpu上跑起來）。

由于沒有原生的編譯時類型檢查，所有的類型的檢查都被移交給了運行時，執(zhí)行一行Python代碼很可能需要做不只一行的類型檢查、邊界檢查，因此python比起C++等會慢很多。

python的解釋器可以多種，常見的是cpython（最常用）、Ipython（基于cpython的交互式解釋器）、pypy（動圖編譯python代碼，運行速度快，與cpython有少數(shù)不同）、Jython、IronPython。

2.Cypthon（推薦，速度與numba接近）

Cython是一門語言，文件名以.pyx結(jié)尾。其是python的超集，即兼容python，Cython與python類似于C++與C的關(guān)系。同時Cython也是一個編譯器的名稱，其可將Cython語言寫的pyx文件（包含.py文件）直接編譯成動態(tài)庫，從而獲得近乎于寫CXX語言的性能。

官網(wǎng)推薦使用setuptools (setup.py)的方法來編譯.pyx/.py代碼。如以下文件樹，

├── os
│   └── ros_os.py
│   └── setup.py

目標是將os文件夾下的ros_os.py編譯成.so動態(tài)庫，因此在ros_os.py同級目錄下新建一個setup.py文件。setup.py的內(nèi)容如下：

from setuptools import setup
from Cython.Build import cythonizesetup(
    name='ros_os',


    ext_modules=cythonize("ros_os.py"),
    zip_safe=False,
)

然后運行指令python setup.py build_ext --inplace，則會在同級目錄下生成ros_os.so動態(tài)庫文件。在其他python文件中，就可以通過import導(dǎo)入該.so文件，實現(xiàn)加速。

注意，若os文件夾下有__init__.py文件，則會出錯。解決方法是需要將setup.py移動到與ros_os.py最近的無__init__.py文件的文件夾下，如以下文件樹所示：

├── pkg
│   ├── init.py
│   ├── os
│   │   ├── init.py
│   │   └── ros_os.py
└── setup.py

os文件夾下有__init__.py文件，顯式地表示os是一個python的包，同樣地，pkg下也存在__init__.py文件，因此需要將setup.py放在與pkg同級的目錄下，該目錄是最靠近ros_os.py的最近的且無__init__.py文件的目錄。同時，修改setup.py中對ros_os.py的路徑，如下：

from setuptools import setup
from Cython.Build import cythonize

setup(
    name='ros_os',
    ext_modules=cythonize("pkg/os/ros_os.py"),
    zip_safe=False,
)

在setup.py的同級目錄下運行編譯指令：python setup.py build_ext --inplace，則可以正確編譯獲得ros_os.so動態(tài)文件。

優(yōu)點：加速python，并達到python加密的效果（推薦的加密手段）

缺點：需要手動編譯；少數(shù)python內(nèi)置屬性不支持，例如__file__；

3.numba（傳言可加速40倍左右）

numba是一個可以加速python大部分模塊的庫，其原理是將其修飾的函數(shù)在第一次運行時先優(yōu)化并翻譯成機器碼，而在重復(fù)運行時，則直接調(diào)用該機器碼，因此達到可以媲美C和C++的速度。使用方法如下：

from numba import jit  # 從numba中導(dǎo)入函數(shù)jit
import random

@jit(nopython=True)   # jit，numba裝飾器中的一種
def monte_carlo_pi(nsamples):
    acc = 0
    for i in range(nsamples):
        x = random.random()
        y = random.random()
        if (x ** 2 + y ** 2) < 1.0:
            acc += 1
    return 4.0 * acc / nsamples

在原始代碼中加入第1行和第4行，則可以加速monte_carlo_pi模塊（自動將其優(yōu)化并編譯成機器碼）。即，要加速哪個函數(shù)，就在函數(shù)定義前面加上裝飾器@jit(nopython=True)。

優(yōu)點：對numpy和循環(huán)語法的加速明顯；使用方便；

缺點：少量庫無法加速，如pandas庫；僅能安裝到無法用于python2及以下版本；安裝比較困難，需要裝llvm編譯器；

4.其他加速方法

使用整型代替浮點型

5.各自加速方法的對比

代碼片段對大小為128x128的二維數(shù)組求和，運行1000次時間如下：

Total cost time for func: py_func, call 1000 times: 3.803216s. 
Total cost time for func: np_func, call 1000 times: 0.343562s. 
Total cost time for func: nb_func, call 1000 times: 0.017122s. 
Total cost time for func: cy_func, call 1000 times: 0.018159s.

它們分別代表了原始Python、Numpy、Numba、Cython對應(yīng)的性能?？梢钥闯?，cython與numba可有效加速python代碼。其中，numba以稍微快于cython，但是numba不兼容python2，且調(diào)試困難，因此，推薦使用cython。

6.方法補充

下面小編為大家整理了一些其他Python可以加速運行的技巧，希望對大家有所幫助

1.全面加速（pypy)

將python換為pypy,在純python代碼下，pypy的兼容性就不影響使用了，因為一些純python的代碼常常會用pypy進行一下加速

測試代碼，for循環(huán)10000000次

start = time.time()
for i in range(10000000):
    print(i,end="\r")
end = time.time()
print(f"耗費時間{end-start}秒>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>")

2.if判斷靠前

如：

 if tag in ["nts", "nto", "ntc", "ntcb", "ntcf", "ntch", "nth", "ntu", "nt"]:
                                BMES(f_,i2, tag="ORG")
                            elif tag in ["nb", "nba", "nbc", "nbp", "nf", "nm", "nmc", "nhm", "nh"]:
                                BMES(f_,i2, tag="OBJ")
                            elif tag in ["nnd", "nnt", "nn"]:
                                BMES(f_,i2, tag="JOB")
                            elif tag in ["nr", "nrf"]:
                                BMES(f_,i2, tag="PER")
                            elif tag in ["t"]:
                                BMES(f_,i2, tag="TIME")
                            elif tag in ["ns", "nsf"]:
                                BMES(f_,i2, tag="LOC")
                            else:
                                for i3 in list(i2):
                                    f_.write(i3 + " " + f"O" + "\n")

滿足條件的可以先跳出判斷

到此這篇關(guān)于python代碼加速運行的四種方法詳解的文章就介紹到這了,更多相關(guān)python加速運行內(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！

最新評論