原创 菜鸟哥 菜鸟学Python 2020-09-11
公众号关注 “菜鸟学Python”
设为 “星标”，带你挖掘更多Python干货！
对于Python编程，大家想必都或多或少的掌握了不少知识点，但是python为人所诟病的一大缺点是其运行速度比较慢。
其中一大主要的原因是Python是动态的，解释性的语言，而非静态的语言。而这就意味着Python解释器在执行程序时，并不知道变量的具体类型。
例如C++程序中，int a = 0;那么在程序的运行过程中，C++解释器始终知道变量a是一个int类型，而在Python中，编程语言变为a = 0。则Python解释器必须检查每个变量的PyObject_HEAD属性才能确定变量类型，例如：
所以对于Python编程的每一步都会有更多的步骤进行支撑，因此Python的程序执行都比较慢。那么，我们该如何提升我们的Python运行速度呢，今天小编就为大家介绍一下加速Python程序的几大方法。
在后面的程序效率对比上，我们以下面的python程序作为基础对比程序。
01.优化编写的代码
对于Python程序，大家可以首先将程序的目的实现，然后在这个基础之上，分析程序执行效率低下的部分并实现优化，然后不断的执行这个分析效率-优化的步骤。对于效率低下的操作，可以采用Python的内置高阶函数等方式进行加速，如下图所示:
上图程序中，我们分别使用for循环函数和Python内置高阶map函数实现了列表中元素的平方，结果显示，使用map函数，速度是原先的1.12倍。
02.Cython
Cython的语法同Python的语法类似，cython通过编写可以被python调用的C扩展，是其既具备了Python的语法特点，同时又有了像C语言一样的程序运行速度，此外，Cython还可以方便的调用C的包。下图给出的程序，展示的是利用cython进行开发时在运行速度上相较于Python的提升。
上图可以看出，通过cython，虽然程序上没有区别，但是在运行速度上cython提升了1.5倍左右。
03.使用多线程
在进程执行当中，可以有多个线程同时进行执行，但是每个线程可以执行不同的任务，对于多线程，这里不做过多的解释，我们直接用一个简单的程序来展示多线程。
上述的程序中，我们使用多线程来实现我们的Pow_2函数，可以看到多线程同样起到了加速Python程序执行，这里还需注意一点是我们使用多线程往一个公共的pow_list中添加数据，由于这是我们期望的，所以不需要添加线程锁来进行保护。
04.使用numba库
对于numba，官网对它本身的定义为“python的解释器”。对于numba库的详尽解释，这里小编给大家一个纽约大学的网站，大家可以通过这个网站的讲解，对numba有更加全面的了解（https://nyu-cds.github.io/python-numba/）
对于numba库的简单方法，最简单的是在函数定义的前面加上@jit装饰器。
上述程序中，我们在Pow_2函数前加上了jit装饰器，运行结果显示，其运行速度是基础方法的2.34倍左右，大大的缩短了程序的执行时间。
05.使用多进程
对于Python的多进程，Python内置了多进程包multiprocessing，我们只需要定义一个函数，便可以借助multiprocessing包，轻松的实现从单进程到并发执行的转换。
上述程序中，我们创建了4个进程，并实现了将数组元素进行平方的功能，从结果可以看出，多进程实现了真正的并行，使得程序的运行时间大大缩短，运行速度达到了基础程序的3.05倍。
06.尽可能使用numpy、pandas等科学计算库
使用科学计算库不仅可以帮助我们简化代码，提升代码可读性，而且其高效的数据处理效率可以大大提升我们的程序执行速度。
上图中，我们使用numpy来完成相同的效果，即对列表中的每个元素都实行平方。这里我们先将原始的列表origin_list转化numpy的数组，然后直接对数组进行平方。
注意这样的操作对于列表对象来说是不合法的。从上面的程序来看，使用numpy既大大简化了程序，而且也大大的提升了程序的执行效率，提高了65倍啊！对于数据处理来说，是非常友好的。
上述的几个Python运行效率提升的方法中，既有从程序本身入手进行提升，也有利用进程、线程技术和python+C的方法进行实现。大家可以在以后的程序编写中，在需要提升运行效率的时候，参考这几种方式，提升自己python程序的运行效率。
