如何优化python的效率

优化python效率的方法： 1.优化算法的时间复杂度； 2、减少冗余数据； 3、合理使用copy和deepcopy； 4、使用dict或set查找元素； 5.合理使用generators和yields。

优化方法：

（推荐教程：
）

1、优化算法时间复杂度

算法的时间复杂度影响程序的执行效率。在 Python 中，可以通过选择合适的数据结构来优化时间复杂度。例如，list和set查找某个元素的时间复杂度分别为O(n)和O(1)。

2、减少冗余数据

比如用上三角或者下三角来保存一个大的对称矩阵。在大多数元素为 0 的矩阵中使用稀疏矩阵表示。

3、合理使用copy与deepcopy

对于dict、list等数据结构的对象，直接赋值采用引用的方式。在某些情况下，你需要复制整个对象。这种情况下，可以使用copy包中的copy和deepcopy。这两个函数的区别在于后者是递归复制的。效率也不同：（以下程序在ipython中运行）

import copy
a = range(100000)
%timeit -n 10 copy.copy(a) # 运行10次 copy.copy(a)
%timeit -n 10 copy.deepcopy(a)
10 loops, best of 3: 1.55 ms per loop
10 loops, best of 3: 151 ms per loop

timeit后面的-n表示运行次数，最后两行对应两次timeit的输出，下同。可以看出，后者慢了一个数量级。

4、使用dict或set查找元素

python dict和set都是使用哈希表实现的（类似于c++11标准库中的unordered_map），查找元素的时间复杂度为O(1)

a = range(1000)
s = set(a)
d = dict((i,1) for i in a)
%timeit -n 10000 100 in d
%timeit -n 10000 100 in s
10000 loops, best of 3: 43.5 ns per loop
10000 loops, best of 3: 49.6 ns per loop

dict的效率略高(占用的空间也多一些)。

5、合理使用生成器（generator）和yield

%timeit -n 100 a = (i for i in range(100000))
%timeit -n 100 b = [i for i in range(100000)]
100 loops, best of 3: 1.54 ms per loop
100 loops, best of 3: 4.56 ms per loop

使用()获取生成器对象，所需内存空间与列表大小无关，因此效率会更高。在特定应用中，例如 set(i for i in range(100000)) 将比 set([i for i in range(100000)]) 快。

但是对于需要循环遍历的情况：

%timeit -n 10 for x in (i for i in range(100000)): pass
%timeit -n 10 for x in [i for i in range(100000)]: pass
10 loops, best of 3: 6.51 ms per loop
10 loops, best of 3: 5.54 ms per loop

后者效率更高，但如果循环中有中断，使用生成器的好处是显而易见的。 yield 也用于创建生成器：

def yield_func(ls):
for i in ls:
yield i+1
 def not_yield_func(ls):
return [i+1 for i in ls]
 ls = range(1000000)
%timeit -n 10 for i in yield_func(ls):pass
%timeit -n 10 for i in not_yield_func(ls):pass
10 loops, best of 3: 63.8 ms per loop
10 loops, best of 3: 62.9 ms per loop

对于内存不是很大的列表，可以直接返回一个列表，但是可读性收益更好（个人喜好）。

python2.x内置generator功能的有xrange函数、itertools包等。