Python 性能优化实战

背景

Python 以简洁著称，但性能常被诟病。今天分享 5 个经过验证的优化技巧。

技巧一：使用局部变量

# 慢
def slow_func(data):
    result = []
    for i in range(len(data)):
        result.append(data[i] * 2)
    return result

# 快
def fast_func(data):
    result = []
    append = result.append
    for item in data:
        append(item * 2)
    return result

原理：局部变量查找比属性查找快

技巧二：列表推导式优于循环

# 慢
squares = []
for i in range(1000):
    squares.append(i ** 2)

# 快
squares = [i ** 2 for i in range(1000)]

提升：约 2-3 倍

技巧三：使用生成器处理大数据

# 占用大量内存
data = [process(x) for x in huge_list]

# 内存友好
data = (process(x) for x in huge_list)

技巧四：善用内置函数

# 慢
sum_val = 0
for i in range(1000000):
    sum_val += i

# 快
sum_val = sum(range(1000000))

提升：C 实现的内置函数快得多

技巧五：使用适当的数据结构

• 查找操作 → 用 set 或 dict 而非 list
• 频繁首尾操作 → 用 collections.deque
• 计数场景 → 用 collections.Counter

性能测试工具

推荐 cProfile 和 timeit 模块定位瓶颈。

结语

优化前先用性能分析工具定位瓶颈，不要 premature optimization！