Petua penalaan prestasi Python: dari pemula hingga mahir

Fahami kesesakan prestasi Python

python ialah bahasa yang ditafsirkan dan prestasinya mungkin dipengaruhi oleh pelbagai faktor, termasuk:

• Tugas intensif CPU: Kompleks algoritmaatau pengiraan berat boleh mengakibatkan penggunaan CPU yang tinggi.
• Tugas I/O-intensif: operasi fail, rangkaiansambungan dan pangkalan datainteraksi akan melibatkan banyak I/O dan menjejaskan prestasi.
• GIL (Global Interpreter Lock): GIL dalam Python mengehadkan bahawa hanya satu benang boleh melaksanakan kod pada masa yang sama, yang akan menjejaskan prestasi berbilang benangaplikasi.

Kemahiran talaan peringkat permulaan

1. Gunakan petunjuk jenis: Menambah petunjuk jenis membantu kod pengoptimummemahami jenis data dalam kod dan membuat keputusan pengoptimuman yang lebih berkesan.

def calculate_average(numbers: list[float]) -> float:
"""Calculate the average of a list of numbers."""
return sum(numbers) / len(numbers)

2. Elakkan penukaran jenis yang tidak perlu: Menukar data dengan kerap antara jenis yang berbeza akan mengurangkan prestasi. Elakkan penukaran eksplisit apabila boleh dan biarkan Python melakukan inferens jenis secara automatik.

# 优化前
average = (sum(numbers) / len(numbers)) + 1# 显式转换为int

# 优化后
average = sum(numbers) / len(numbers) + 1# 避免显式转换

3. Gunakan fungsi dan perpustakaan terbina dalam: Python menyediakan banyak fungsi dan perpustakaan terbina dalam yang boleh membantu mengoptimumkan kod. Contohnya, menggunakan perpustakaan bisect untuk melakukan carian binari adalah lebih pantas daripada menggunakan gelung manual.

import bisect

# 优化前
index = -1
for i in range(len(sorted_list)):
if sorted_list[i] >= target:
index = i
break

# 优化后
index = bisect.bisect_left(sorted_list, target)

Kemahiran penalaan pertengahan

1. Gunakan alat Pemprofilan: Gunakan cProfile或line_profiler dan alat lain untuk menganalisis kod dan menentukan di mana kesesakan prestasi. Ini akan membantu pembangun menumpukan pada mengoptimumkan bahagian penting.

import cProfile
cProfile.run("myfunction()")

2. Optimumkan pengurusan memori: Pengurusan memori dalam Python melibatkan pengiraan rujukan. Rujukan yang berlebihan atau rujukan bulat boleh menyebabkan kebocoran memori dan kemerosotan prestasi. Gunakan alatan seperti </strong>GC<code><strong class="keylink">GC</strong>.get_referrers().get_referrers() untuk mengenal pasti kebocoran memori.

import gc

# 优化前
def create_objects():
for i in range(100000):
obj = {"key": i}
return obj

# 优化后
def create_objects():
for i in range(100000):
obj = {"key": i}
gc.collect()

import asyncio

async def do_something_async():
# 异步操作
pass

async def main():
await do_something_async()

asyncio.run(main())

%%cython
def compute_fibonacci(n: int) -> int:
"""Compute the nth Fibonacci number."""
if n < 2:
return n
else:
return compute_fibonacci(n - 1) + compute_fibonacci(n - 2)

@njit
def calculate_distance(x1, y1, x2, y2):
"""Calculate the distance between two points."""
return ((x2 - x1) ** 2 + (y2 - y1) ** 2) ** 0.5

import gc

# 设置自定义垃圾回收阀值
gc.set_threshold(100000, 200000)

# 使用自定义内存管理算法
class MyMemoryManager(gc.MemoryManager):
# 在此方法中实现自定义算法
def collect(self, generation: int) -> None:
pass

gc.set_mm(MyMemoryManager())