Python程序运行太慢的一个可能的原因是没有尽可能的调用内置方法，下面通过5个例子来演示如何用内置方法提升Python程序的性能。
1. 数组求平方和
输入一个列表，要求计算出该列表中数字的的平方和。最终性能提升了1.4倍。首先创建一个长度为10000的列表。
arr = list(range(10000))1.1 最常规的写法
while循环遍历列表求平方和。平均运行时间2.97毫秒。
def sum_sqr_0(arr): res = 0 n = len(arr) i = 0 while i1.2 for range代替while循环
避免i += 1的变量类型检查带来的额外开销。平均运行时间2.9毫秒。
def sum_sqr_1(arr): res = 0 for i in range(len(arr)): res += arr[i] ** 2 return res %timeit sum_sqr_1(arr) 2.9 ms ± 137 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)1.3 for x in arr代替for range
避免arr[i]的变量类型检查带来的额外开销。平均运行时间2.59毫秒。
def sum_sqr_2(arr): res = 0 for x in arr: res += x ** 2 return res %timeit sum_sqr_2(arr) 2.59 ms ± 89 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)1.4 sum函数套用map函数
平均运行时间2.36毫秒
def sum_sqr_3(arr): return sum(map(lambda x: x**2, arr)) %timeit sum_sqr_3(arr) 2.36 ms ± 15.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)1.5 sum函数套用生成器表达式
生成器表达式如果作为某个函数的参数，则可以省略掉()。平均运行时间2.35毫秒。
def sum_sqr_4(arr): return sum(x ** 2 for x in arr) %timeit sum_sqr_4(arr) 2.35 ms ± 107 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)1. 6 sum函数套用列表推导式
平均运行时间2.06毫秒。
def sum_sqr_5(arr): return sum([x ** 2 for x in arr]) %timeit sum_sqr_5(arr) 2.06 ms ± 27.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)2. 字符串拼接
输入一个列表，要求将列表中的字符串的前3个字符都拼接为一个字符串。最终性能提升了2.1倍。
首先创建一个列表，生成10000个随机长度和内容的字符串。
from random import randint def random_letter(): return chr(ord('a') + randint(0, 25)) def random_letters(n): return "".join([random_letter() for _ in range(n)]) strings = [random_letters(randint(1, 10)) for _ in range(10000)]2.1 最常规的写法
while循环遍历列表，对字符串进行拼接。平均运行时间1.86毫秒。
def concat_strings_0(strings): res = "" n = len(strings) i = 0 while i2.2 for range代替while循环
避免i += 1的变量类型检查带来的额外开销。平均运行时间1.55毫秒。
def concat_strings_1(strings): res = "" for i in range(len(strings)): res += strings[i][:3] return res %timeit concat_strings_1(strings) 1.55 ms ± 32.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)2.3 for x in strings代替for range
避免strings[i]的变量类型检查带来的额外开销。平均运行时间1.32毫秒。
def concat_strings_2(strings): res = "" for x in strings: res += x[:3] return res %timeit concat_strings_2(strings) 1.32 ms ± 19.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)2.4 .join方法套用生成器表达式
平均运行时间1.06毫秒。
def concat_strings_3(strings): return "".join(x[:3] for x in strings) %timeit concat_strings_3(strings) 1.06 ms ± 15.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)2.5 .join方法套用列表解析式
平均运行时间0.85毫秒。
def concat_strings_4(strings): return "".join([x[:3] for x in strings]) %timeit concat_strings_4(strings) 858 µs ± 14.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)3. 筛选奇数
输入一个列表，要求筛选出该列表中的所有奇数。最终性能提升了3.6倍。
首先创建一个长度为10000的列表。
arr = list(range(10000))3.1 最常规的写法
创建一个空列表res，while循环遍历列表，将奇数append到res中。平均运行时间1.03毫秒。
def filter_odd_0(arr): res = [] i = 0 n = len(arr) while i3.2 for range代替while循环
避免i += 1的变量类型检查带来的额外开销。平均运行时间0.965毫秒。
def filter_odd_1(arr): res = [] for i in range(len(arr)): if arr[i] % 2: res.append(arr[i]) i += 1 return res %timeit filter_odd_1(arr) 965 µs ± 4.02 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)3.3 for x in arr代替for range
避免arr[i]的变量类型检查带来的额外开销。平均运行时间0.430毫秒。
def filter_odd_2(arr): res = [] for x in arr: if x % 2: res.append(x) return res %timeit filter_odd_2(arr) 430 µs ± 9.25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)3.4 list套用filter函数
平均运行时间0.763毫秒。注意filter函数很慢，在Python 3.6里非常鸡肋。
def filter_odd_3(arr): return list(filter(lambda x: x % 2, arr)) %timeit filter_odd_3(arr) 763 µs ± 15.9 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)3.5 list套用生成器表达式
平均运行时间0.398毫秒。
def filter_odd_4(arr): return list((x for x in arr if x % 2)) %timeit filter_odd_4(arr) 398 µs ± 16.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)3.6 带条件的列表推导式
平均运行时间0.290毫秒。
def filter_odd_5(arr): return [x for x in arr if x % 2] %timeit filter_odd_5(arr) 290 µs ± 5.54 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)4. 两个数组相加
输入两个长度相同的列表，要求计算出两个列表对应位置的数字之和，返回一个与输入长度相同的列表。最终性能提升了2.7倍。
首先生成两个长度为10000的列表。
arr1 = list(range(10000)) arr2 = list(range(10000))4.1 最常规的写法
创建一个空列表res，while循环遍历列表，将两个列表对应的元素之和append到res中。平均运行时间1.23毫秒。
def arr_sum_0(arr1, arr2): i = 0 n = len(arr1) res = [] while i4.2 for range代替while循环
避免i += 1的变量类型检查带来的额外开销。平均运行时间0.997毫秒。
def arr_sum_1(arr1, arr2): res = [] for i in range(len(arr1)): res.append(arr1[i] + arr2[i]) return res %timeit arr_sum_1(arr1, arr2) 997 µs ± 7.42 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)4.3 for i, x in enumerate代替for range
部分避免arr[i]的变量类型检查带来的额外开销。平均运行时间0.799毫秒。
def arr_sum_2(arr1, arr2): res = arr1.copy() for i, x in enumerate(arr2): res[i] += x return res %timeit arr_sum_2(arr1, arr2) 799 µs ± 16.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)4.4 for x, y in zip代替for range
避免arr[i]的变量类型检查带来的额外开销。平均运行时间0.769毫秒。
def arr_sum_3(arr1, arr2): res = [] for x, y in zip(arr1, arr2): res.append(x + y) return res %timeit arr_sum_3(arr1, arr2) 769 µs ± 12.2 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)4.5 列表推导式套用zip
平均运行时间0.462毫秒。
def arr_sum_4(arr1, arr2): return [x + y for x, y in zip(arr1, arr2)] %timeit arr_sum_4(arr1, arr2) 462 µs ± 3.43 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)5. 两个列表相同元素的数量
输入两个列表，要求统计两个列表相同元素的数量。其中每个列表内的元素都是不重复的。最终性能提升了5000倍。
首先创建两个列表，并将元素的顺序打乱。
from random import shuffle arr1 = list(range(2000)) shuffle(arr1) arr2 = list(range(1000, 3000)) shuffle(arr2)5.1 最常规的写法
while循环嵌套，判断元素arr1[i]是否等于arr2[j]，平均运行时间338毫秒。
def n_common_0(arr1, arr2): res = 0 i = 0 m = len(arr1) n = len(arr2) while i5.2 for range代替while循环
避免i += 1的变量类型检查带来的额外开销。平均运行时间233毫秒。
def n_common_1(arr1, arr2): res = 0 for i in range(len(arr1)): for j in range(len(arr2)): if arr1[i] == arr2[j]: res += 1 return res %timeit n_common_1(arr1, arr2) 233 ms ± 10.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)5.3 for x in arr代替for range
避免arr[i]的变量类型检查带来的额外开销。平均运行时间84.8毫秒。
def n_common_2(arr1, arr2): res = 0 for x in arr1: for y in arr2: if x == y: res += 1 return res %timeit n_common_2(arr1, arr2) 84.8 ms ± 1.38 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)5.4 使用if x in arr2代替内层循环
平均运行时间24.9毫秒。
def n_common_3(arr1, arr2): res = 0 for x in arr1: if x in arr2: res += 1 return res %timeit n_common_3(arr1, arr2) 24.9 ms ± 1.39 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)5.4 使用更快的算法
将数组用.sort方法排序，再进行单层循环遍历。把时间复杂度从O(n2)降低到O(nlogn)，平均运行时间0.239毫秒。
def n_common_4(arr1, arr2): arr1.sort() arr2.sort() res = i = j = 0 m, n = len(arr1), len(arr2) while i arr2[j]: j += 1 else: i += 1 return res %timeit n_common_4(arr1, arr2) 329 µs ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)5.5 使用更好的数据结构
将数组转为集合，求交集的长度。平均运行时间0.067毫秒。
def n_common_5(arr1, arr2): return len(set(arr1) & set(arr2)) %timeit n_common_5(arr1, arr2) 67.2 µs ± 755 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
