Python 性能优化的 7 个实用技巧

Python 以简洁著称，但性能常被诟病。其实通过一些优化技巧，Python 代码也能跑得飞快。

1. 用列表推导式替代 for 循环

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

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

列表推导式在 C 层面实现，速度提升 2-3 倍。

2. 用生成器节省内存

处理大数据集时，生成器避免一次性加载全部数据：

# 占用大量内存
def get_squares(n):
    return [x*x for x in range(n)]

# 内存友好
def get_squares(n):
    for x in range(n):
        yield x*x

3. 用内置函数和库

Python 内置函数用 C 实现，远快于手写循环：

# 慢
def sum_list(lst):
    total = 0
    for item in lst:
        total += item
    return total

# 快
sum(lst)

4. 用局部变量

局部变量访问比全局变量快：

# 慢
def process(data):
    result = []
    for item in data:
        result.append(global_func(item))

# 快
def process(data):
    func = global_func  # 转为局部变量
    result = [func(item) for item in data]

5. 用适当的数据结构

• 查找操作：用 set 或 dict 而非 list（O(1) vs O(n)）
• 频繁插入删除：用 deque 而非 list
• 字符串拼接：用 join() 而非 +

6. 用 NumPy 处理数值计算

数值计算场景，NumPy 比原生 Python 快 10-100 倍：

import numpy as np

# 原生 Python
result = [x * 2 for x in range(1000000)]

# NumPy
result = np.arange(1000000) * 2

7. 用性能分析工具定位瓶颈

盲目优化是浪费时间。先用 cProfile 或 line_profiler 找到真正的瓶颈：

python -m cProfile your_script.py

结语

性能优化要遵循 80/20 原则：20% 的代码消耗 80% 的时间。先测量，再优化，最后验证。

---

你的 Python 代码有做过性能优化吗？有什么经验？