要理解为什么 Python 代码在函数中运行得更快，我们需要首先了解 Python 是如何执行代码的
我们知道，python 是一种解释型语言，它会逐行读取并执行代码
当运行一个 python 程序的时候，首先将代码编译成字节码（一种更接近机器码的中间语言）然后 python 解释器执行字节码
def hello_world():
print("Hello, World!")
import dis
dis.dis(hello_world)#结果
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 模块将函数 hello_world 分解为字节码
需要注意的是，python 解释器是一个执行字节码的虚拟机，默认的 python 解释器是用 C 编写的，即 CPython
还有其他的 python 解释器如 Jython(用 Java 编写)，IronPython(用于 .net)和PyPy(用 Python 和 C 编写)
为什么 Python 代码在函数中运行得更快
我们来编写一个简单的例子：定义一个函数 my_function，函数内部包含一个 for 循环
def my_function():
for i in range(100000000):
pass编译该函数的时候，字节码可能如下所示
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这里的关键指令是 STORE_FAST ，用于存储循环变量 i
现在我们把这个 for 循环放在 python 脚本的顶层（全局范围内），然后再来看一下字节码
for i in range(100000000):
passSETUP_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可以看到关键指令变成了 STORE_NAME，而不是 STORE_FAST
字节码 STORE_FAST比 STORE_NAME 快，因为在函数中，局部变量存储在固定长度的数组中，而不是存储在字典中。这个数组可以通过索引直接访问，使得变量检索非常快
基本上，它只是一个指向列表的指针，并增加了 PyObject 的引用计数，这两个都是高效的操作
另一方面，全局变量存储在一个字典。当访问全局变量时，Python 必须执行哈希表查找，这涉及计算哈希值，然后检索与之关联的值
虽然经过优化，但仍然比基于索引的查找慢
基准测试验证
我们知道在 Python 中，代码执行的速度取决于代码执行的位置——在函数中还是在全局作用域中
让我们用一个简单的基准测试的例子来比较一下
首先定义一个求阶乘的函数
def factorial(n):
result = 1
for i in range(1, n + 1):
result *= i
return result然后在全局范围内执行相同的代码
n = 20
result = 1
for i in range(1, n + 1):
result *= i为了对这两段代码进行基准测试，我们可以在 Python 中使用 timeit 模块，它提供了一种简单的方法来对少量 Python 代码进行计时
import timeit
# 函数
def benchmark():
start = timeit.default_timer()
factorial(20)
end = timeit.default_timer()
print(end - start)
benchmark()
# Prints: 3.541994374245405e-06
# 全局范围
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，函数代码的执行速度比全局作用域代码要快
需要注意的是，这两段代码最好不要放在同一脚本中，要分开单独运行
这是因为
benchmark()函数在执行时间上增加了一些开销，并且全局代码在内部进行了优化
cProfile 分析
python 提供了一个 cProfile 内置模块
让我们用它来分析一个新例子：在局部和全局范围内计算平方和
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，可以认为sum_of_squares_g() 函数是全局的，因为它使用了两个全局变量， i 和 total
从性能分析结果中，可以看到函数代码在执行时间方面比全局更有效
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}如何优化 python 函数的性能
前面我们知道，Python 代码在函数中运行往往比在全局范围内运行要快得多
如果想要进一步提高 python 函数代码效率，不妨考虑一下使用局部变量而不是全局变量
另一种方法是尽可能使用内置函数和库。Python 的内置函数是用 C 实现的，比 Python 快得多
比如 NumPy 和 Pandas，也是用 C 或 C++ 实现的，它们比实现同样功能的 Python 代码速度更快
又比如同样是实现数字求和的功能，python 内置的 sum 函数要比你自己编写函数速度更快
