讓 Python 代碼飛起來！十個提升速度的優化技巧
作者：用戶007
本文將分享十個實用的優化技巧，讓你的 Python 代碼性能提升5-100倍，并展示如何測量代碼性能。
寫出能跑的代碼容易，寫出又快又優美的代碼難。許多初學者的代碼在數據量小時看不出問題，但一旦數據變大就會龜速運行。本文將分享10個實用的優化技巧，讓你的Python代碼性能提升5-100倍，并展示如何測量代碼性能。
優化前的準備：性能測量
import time
import timeit
# 方法1：使用time模塊
def slow_function():
result = []
for i in range(1000000):
result.append(i ** 2)
return result
start = time.time()
result = slow_function()
end = time.time()
print(f"耗時：{end - start:.4f}秒")
# 方法2：使用timeit（更準確）
execution_time = timeit.timeit(
lambda: slow_function(),
number=10# 運行10次求平均
)
print(f"平均耗時：{execution_time / 10:.4f}秒")
# 方法3：使用%timeit（Jupyter中）
# %timeit slow_function() # 在Jupyter中運行優化技巧1：用列表推導式替代循環
? 慢速方法（0.25秒）：
result = []
for i in range(1000000):
result.append(i ** 2)? 快速方法（0.08秒，快3倍）：
result = [i ** 2 for i in range(1000000)]優化技巧2：使用map()代替循環
? 慢速方法：
result = [int(x) for x in str_numbers]? 快速方法（快20%）：
result = list(map(int, str_numbers))優化技巧3：用NumPy代替Python循環
? 慢速方法（純Python循環）：
result = []
for i in range(1000000):
result.append(i ** 2 + i ** 3)? 快速方法（快100倍）：
import numpy as np
arr = np.arange(1000000)
result = arr ** 2 + arr ** 3優化技巧4：避免重復計算
? 重復計算：
for i in range(len(large_list)):
print(large_list[i] * math.sqrt(2)) # 每次循環都計算sqrt(2)? 計算一次，多次使用：
sqrt_2 = math.sqrt(2)
for item in large_list:
print(item * sqrt_2)優化技巧5：使用集合而不是列表查找
? 慢速方法（O(n)時間復雜度）：
allowed = [1, 2, 3, 4, 5]
if value in allowed: # 需要遍歷整個列表
pass? 快速方法（O(1)時間復雜度，快100倍）：
allowed = {1, 2, 3, 4, 5}
if value in allowed: # 直接查找，常數時間
pass優化技巧6：使用字符串連接的正確方法
? 極慢方法（1.5秒）：
result = ""
for word in words:
result = result + word + ", " # 字符串不可變，每次都創建新對象? 快速方法（0.001秒，快1500倍）：
result = ", ".join(words)優化技巧7：使用本地變量而不是全局變量
? 慢速方法：
global_var = 10
def slow_function():
total = 0
for i in range(1000000):
total += global_var # 每次都查找全局變量
return total? 快速方法（快5%）：
def fast_function(var):
total = 0
for i in range(1000000):
total += var # 使用本地變量
return total
result = fast_function(10)優化技巧8：使用zip()代替索引
? 慢速方法：
for i in range(len(list1)):
process(list1[i], list2[i])? 快速方法：
for item1, item2 in zip(list1, list2):
process(item1, item2)優化技巧9：使用enumerate()代替range(len())
? 不推薦：
for i in range(len(items)):
print(i, items[i])? 推薦：
for i, item in enumerate(items):
print(i, item)優化技巧10：使用多進程處理CPU密集型任務
? 單進程（慢）：
def compute(n):
return sum(i**2 for i in range(n))
results = [compute(1000000) for _ in range(4)]? 多進程（快4倍）：
from multiprocessing import Pool
def compute(n):
return sum(i**2 for i in range(n))
with Pool(4) as p:
results = p.map(compute, [1000000] * 4)完整的性能對比示例
import timeit
import numpy as np
# 測試用例：計算列表平方和
# 方法1：純Python循環
def method1():
total = 0
for i in range(1000000):
total += i ** 2
return total
# 方法2：列表推導式
def method2():
return sum([i ** 2for i in range(1000000)])
# 方法3：NumPy
def method3():
arr = np.arange(1000000)
return np.sum(arr ** 2)
# 測試性能
print("性能對比：")
print(f"純Python循環：{timeit.timeit(method1, number=10) / 10:.6f}秒")
print(f"列表推導式：{timeit.timeit(method2, number=10) / 10:.6f}秒")
print(f"NumPy：{timeit.timeit(method3, number=10) / 10:.6f}秒")
# 結果示例：
# 純Python循環：0.039382秒
# 列表推導式：0.024578秒 （快40%）
# NumPy：0.001234秒 （快30倍）優化的最佳實踐
# 1. 先確保代碼正確，再優化
# 2. 用工具測量性能，不靠猜測
# 3. 優先優化最耗時的部分（80/20法則）
# 4. 考慮使用專業庫（NumPy、Pandas、SciPy）
# 5. 在簡潔和速度之間取得平衡
# 使用cProfile找出最耗時的函數
import cProfile
def complex_function():
# 復雜的代碼...
pass
cProfile.run('complex_function()')優化Python代碼的關鍵在于理解哪些操作快，哪些慢。列表推導式、NumPy向量化操作、適當的數據結構選擇（列表vs集合）都能顯著提升性能。
責任編輯：趙寧寧
來源：
Python數智工坊
