相信用python的同学不少，本人也一直对python情有独钟，毫无疑问python作为一门解释性动态语言没有那些编译型语言高效，但是python简洁、易读以及可扩展性等特性使得它大受青睐。

工作中很多同事都在用python，但往往很少有人关注它的性能和惯用法，一般都是现学现用，毕竟python不是我们的主要语言，我们一般只是使用它来做一些系统管理的工作。但是我们为什么不做的更好呢？python zen中有这样一句：There should be one-- and preferably only one --obvious way to do it. Although that way may not be obvious at first unless you're Dutch. 大意就是python鼓励使用一种最优的方法去完成一件事，这也是和ruby等的一个差异。所以一种好的python编写习惯个人认为很重要，本文就重点从性能角度出发对python的一些惯用法做一个简单总结，希望对大家有用~

提到性能，最容易想到的是降低复杂度，一般可以通过测量代码回路复杂度（cyclomatic complexitly）和Landau符号（大O）来分析, 比如dict查找是O(1)，而列表的查找却是O(n)，显然数据的存储方式选择会直接影响算法的复杂度。

一、数据结构的选择

1. 在列表中查找：

对于已经排序的列表考虑用bisect模块来实现查找元素，该模块将使用二分查找实现

def find(seq, el) : pos = bisect(seq, el) if pos == 0 or ( pos == len(seq) and seq[-1] != el ) : return -1 return pos - 1

而快速插入一个元素可以用:

bisect.insort(list, element)

这样就插入元素并且不需要再次调用 sort() 来保序，要知道对于长list代价很高.

2. set代替列表：

比如要对一个list进行去重，最容易想到的实现：

seq = ['a', 'a', 'b'] res = [] for i in seq: if i not in res: res.append(i)

显然上面的实现的复杂度是O(n2)，若改成：

seq = ['a', 'a', 'b'] res = set(seq)

复杂度马上降为O(n)，当然这里假定set可以满足后续使用。

另外，set的union，intersection，difference等操作要比列表的迭代快的多，因此如果涉及到求列表交集，并集或者差集等问题可以转换为set来进行，平时使用的时候多注意下，特别当列表比较大的时候，性能的影响就更大。

3. 使用python的collections模块替代内建容器类型：

collections有三种类型：

deque：增强功能的类似list类型

defaultdict：类似dict类型

namedtuple：类似tuple类型

列表是基于数组实现的，而deque是基于双链表的，所以后者在中间or前面插入元素，或者删除元素都会快很多。

defaultdict为新的键值添加了一个默认的工厂，可以避免编写一个额外的测试来初始化映射条目，比dict.setdefault更高效，引用python文档的一个例子：

#使用profile stats工具进行性能分析 >>> from pbp.scripts.profiler import profile, stats >>> s = [('yellow', 1), ('blue', 2), ('yellow', 3), ... ('blue', 4), ('red', 1)] >>> @profile('defaultdict') ... def faster(): ... d = defaultdict(list) ... for k, v in s: ... d[k].append(v) ... >>> @profile('dict') ... def slower(): ... d = {} ... for k, v in s: ... d.setdefault(k, []).append(v) ... >>> slower(); faster() Optimization: Solutions [ 306 ] >>> stats['dict'] {'stones': 16.587882671716077, 'memory': 396, 'time': 0.35166311264038086} >>> stats['defaultdict'] {'stones': 6.5733464259021686, 'memory': 552, 'time': 0.13935494422912598}

可见性能提升了快3倍。defaultdict用一个list工厂作为参数，同样可用于内建类型，比如long等。

除了实现的算法、架构之外，python提倡简单、优雅。所以正确的语法实践又很有必要，这样才会写出优雅易于阅读的代码。

二、语法最佳实践

字符串操作：优于python字符串对象是不可改变的，因此对任何字符串的操作如拼接，修改等都将产生一个新的字符串对象，而不是基于原字符串，因此这种持续的 copy会在一定程度上影响Python的性能：

(1)用join代替 '+' 操作符，后者有copy开销；

(2)同时当对字符串可以使用正则表达式或者内置函数来处理的时候，选择内置函数。如str.isalpha()，str.isdigit()，str.startswith((‘x', ‘yz'))，str.endswith((‘x', ‘yz'))

(3)字符格式化操作优于直接串联读取：

str = "%s%s%s%s" % (a, b, c, d) # efficient

str = "" + a + b + c + d + "" # slow

2. 善用list comprehension(列表解析) & generator（生成器） & decorators（装饰器），熟悉itertools等模块：

(1) 列表解析，我觉得是python2中最让我印象深刻的特性，举例1：

>>> # the following is not so Pythonic >>> numbers = range(10) >>> i = 0 >>> evens = [] >>> while i < len(numbers): >>> if i %2 == 0: evens.append(i) >>> i += 1 >>> [0, 2, 4, 6, 8] >>> # the good way to iterate a range, elegant and efficient >>> evens = [ i for i in range(10) if i%2 == 0] >>> [0, 2, 4, 6, 8]

举例2：

def _treament(pos, element): return '%d: %s' % (pos, element) f = open('test.txt', 'r') if __name__ == '__main__': #list comps 1 print sum(len(word) for line in f for word in line.split()) #list comps 2 print [(x + 1, y + 1) for x in range(3) for y in range(4)] #func print filter(lambda x: x % 2 == 0, range(10)) #list comps3 print [i for i in range(10) if i % 2 == 0] #list comps4 pythonic print [_treament(i, el) for i, el in enumerate(range(10))] output： 24 [(1, 1), (1, 2), (1, 3), (1, 4), (2, 1), (2, 2), (2, 3), (2, 4), (3, 1), (3, 2), (3, 3), (3, 4)] [0, 2, 4, 6, 8] [0, 2, 4, 6, 8] ['0: 0', '1: 1', '2: 2', '3: 3', '4: 4', '5: 5', '6: 6', '7: 7', '8: 8', '9: 9']

没错，就是这么优雅简单。

(2) 生成器表达式在python2.2引入，它使用'lazy evaluation'思想，因此在使用内存上更有效。引用python核心编程中计算文件中最长的行的例子：

f = open('/etc/motd, 'r') longest = max(len(x.strip()) for x in f) f.close() return longest

这种实现简洁而且不需要把文件文件所有行读入内存。

(3) python在2.4引入装饰器，又是一个让人兴奋的特性，简单来说它使得函数和方法封装（接收一个函数并返回增强版本的函数）更容易阅读、理解。'@'符号是装饰器语法，你可以装饰一个函数，记住调用结果供后续使用，这种技术被称为memoization的，下面是用装饰器完成一个cache功能：

import time import hashlib import pickle from itertools import chain cache = {} def is_obsolete(entry, duration): return time.time() - entry['time'] > duration def compute_key(function, args, kw): #序列化/反序列化一个对象,这里是用pickle模块对函数和参数对象进行序列化为一个hash值 key = pickle.dumps((function.func_name, args, kw)) #hashlib是一个提供MD5和sh1的一个库，该结果保存在一个全局字典中 return hashlib.sha1(key).hexdigest() def memoize(duration=10): def _memoize(function): def __memoize(*args, **kw): key = compute_key(function, args, kw) # do we have it already if (key in cache and not is_obsolete(cache[key], duration)): print 'we got a winner' return cache[key]['value'] # computing result = function(*args, **kw) # storing the result cache[key] = {'value': result,- 'time': time.time()} return result return __memoize return _memoize @memoize() def very_very_complex_stuff(a, b, c): return a + b + c print very_very_complex_stuff(2, 2, 2) print very_very_complex_stuff(2, 2, 2) @memoize(1) def very_very_complex_stuff(a, b): return a + b print very_very_complex_stuff(2, 2) time.sleep(2) print very_very_complex_stuff(2, 2)

运行结果：

6 we got a winner 6 4 4

装饰器在很多场景用到，比如参数检查、锁同步、单元测试框架等，有兴趣的人可以自己进一步学习。

3. 善用python强大的自省能力（属性和描述符）：自从使用了python，真的是惊讶原来自省可以做的这么强大简单，关于这个话题，限于内容比较多，这里就不赘述，后续有时间单独做一个总结，学习python必须对其自省好好理解。

三、 编码小技巧

1、在python3之前版本使用xrange代替range，因为range()直接返回完整的元素列表而xrange()在序列中每次调用只产生一个整数元素，开销小。（在python3中xrange不再存在，里面range提供一个可以 遍历任意长度的范围的iterator）

2、if done is not None比语句if done != None更快;

3、尽量使用"in"操作符，简洁而快速: for i in seq: print i

4、'x < y < z'代替'x < y and y < z'；

5、while 1要比while True更快, 因为前者是单步运算，后者还需要计算；

6、尽量使用build-in的函数，因为这些函数往往很高效，比如add(a,b)要优于a+b;

7、在耗时较多的循环中，可以把函数的调用改为内联的方式，内循环应该保持简洁。

8、使用多重赋值来swap元素：

x, y = y, x # elegant and efficient

而不是：

temp = x

x = y

y = temp

9. 三元操作符（python2.5后）：V1 if X else V2，避免使用(X and V1) or V2，因为后者当V1=""时，就会有问题。

10. python之switch case实现：因为switch case语法完全可用if else代替，所以python就没 有switch case语法，但是我们可以用dictionary或lamda实现：

switch case结构：

switch (var) { case v1: func1(); case v2: func2(); ... case vN: funcN(); default: default_func(); } dictionary实现： values = { v1: func1, v2: func2, ... vN: funcN, } values.get(var, default_func)() lambda实现： { '1': lambda: func1, '2': lambda: func2, '3': lambda: func3 }[value]()

用try…catch来实现带Default的情况，个人推荐使用dict的实现方法。

这里只总结了一部分python的实践方法，希望这些建议可以帮助到每一位使用python的同学，优化性能不是重点，高效解决问题，让自己写的代码更加易于维护！