為什么在函數(shù)中運(yùn)行的?Python?代碼速度更快？
當(dāng)談到編程效率和性能優(yōu)化時，Python 常常被調(diào)侃為“慢如蝸牛”
有趣的是，Python 代碼在函數(shù)中運(yùn)行往往比在全局范圍內(nèi)運(yùn)行要快得多
小伙伴們可能會有這個疑問：為什么在函數(shù)中運(yùn)行的 Python 代碼速度更快？
今天這篇文章將會解答大家心中的疑惑
原文鏈接：https://stackabuse.com/why-does-python-code-run-faster-in-a-function/
譯文
要理解為什么 Python 代碼在函數(shù)中運(yùn)行得更快，我們需要首先了解 Python 是如何執(zhí)行代碼的
我們知道，python 是一種解釋型語言，它會逐行讀取并執(zhí)行代碼
當(dāng)運(yùn)行一個 python 程序的時候，首先將代碼編譯成字節(jié)碼（一種更接近機(jī)器碼的中間語言）然后 python 解釋器執(zhí)行字節(jié)碼
def hello_world():
print("Hello, World!")
import dis
dis.dis(hello_world)#結(jié)果
2 0 LOAD_GLOBAL 0 (print)
2 LOAD_CONST 1 ('Hello, World!')
4 CALL_FUNCTION 1
6 POP_TOP
8 LOAD_CONST 0 (None)
10 RETURN_VALUE由上所示，python 中的 dis 模塊將函數(shù) hello_world 分解為字節(jié)碼
需要注意的是，python 解釋器是一個執(zhí)行字節(jié)碼的虛擬機(jī)，默認(rèn)的 python 解釋器是用 C 編寫的，即 CPython
還有其他的 python 解釋器如 Jython(用 Java 編寫)，IronPython(用于 .net)和PyPy(用 Python 和 C 編寫)
為什么 Python 代碼在函數(shù)中運(yùn)行得更快
我們來編寫一個簡單的例子：定義一個函數(shù) my_function，函數(shù)內(nèi)部包含一個 for 循環(huán)
def my_function():
for i in range(100000000):
pass編譯該函數(shù)的時候，字節(jié)碼可能如下所示
SETUP_LOOP 20 (to 23) LOAD_GLOBAL 0 (range) LOAD_CONST 3 (100000000) CALL_FUNCTION 1 GET_ITER FOR_ITER 6 (to 22) STORE_FAST 0 (i) JUMP_ABSOLUTE 13 POP_BLOCK LOAD_CONST 0 (None) RETURN_VALUE
這里的關(guān)鍵指令是 STORE_FAST ，用于存儲循環(huán)變量 i
現(xiàn)在我們把這個 for 循環(huán)放在 python 腳本的頂層（全局范圍內(nèi)），然后再來看一下字節(jié)碼
for i in range(100000000): pass
SETUP_LOOP 20 (to 23) LOAD_NAME 0 (range) LOAD_CONST 3 (100000000) CALL_FUNCTION 1 GET_ITER FOR_ITER 6 (to 22) STORE_NAME 1 (i) JUMP_ABSOLUTE 13 POP_BLOCK LOAD_CONST 2 (None) RETURN_VALUE
可以看到關(guān)鍵指令變成了 STORE_NAME，而不是 STORE_FAST
字節(jié)碼 STORE_FAST比 STORE_NAME 快，因為在函數(shù)中，局部變量存儲在固定長度的數(shù)組中，而不是存儲在字典中。這個數(shù)組可以通過索引直接訪問，使得變量檢索非?？?/strong>
基本上，它只是一個指向列表的指針，并增加了 PyObject 的引用計數(shù)，這兩個都是高效的操作
另一方面，全局變量存儲在一個字典。當(dāng)訪問全局變量時，Python 必須執(zhí)行哈希表查找，這涉及計算哈希值，然后檢索與之關(guān)聯(lián)的值
雖然經(jīng)過優(yōu)化，但仍然比基于索引的查找慢
基準(zhǔn)測試驗證
我們知道在 Python 中，代碼執(zhí)行的速度取決于代碼執(zhí)行的位置——在函數(shù)中還是在全局作用域中
讓我們用一個簡單的基準(zhǔn)測試的例子來比較一下
首先定義一個求階乘的函數(shù)
def factorial(n):
result = 1
for i in range(1, n + 1):
result *= i
return result然后在全局范圍內(nèi)執(zhí)行相同的代碼
n = 20
result = 1
for i in range(1, n + 1):
result *= i為了對這兩段代碼進(jìn)行基準(zhǔn)測試，我們可以在 Python 中使用 timeit 模塊，它提供了一種簡單的方法來對少量 Python 代碼進(jìn)行計時
import timeit
# 函數(shù)
def benchmark():
start = timeit.default_timer()
factorial(20)
end = timeit.default_timer()
print(end - start)
benchmark()
# Prints: 3.541994374245405e-06
# 全局范圍
start = timeit.default_timer()
n = 20
result = 1
for i in range(1, n + 1):
result *= i
end = timeit.default_timer()
print(end - start)
# Pirnts: 5.375011824071407e-06可以看到，函數(shù)代碼的執(zhí)行速度比全局作用域代碼要快
需要注意的是，這兩段代碼最好不要放在同一腳本中，要分開單獨(dú)運(yùn)行
這是因為
benchmark()函數(shù)在執(zhí)行時間上增加了一些開銷，并且全局代碼在內(nèi)部進(jìn)行了優(yōu)化
cProfile 分析
python 提供了一個 cProfile 內(nèi)置模塊
讓我們用它來分析一個新例子：在局部和全局范圍內(nèi)計算平方和
import cProfile
def sum_of_squares():
total = 0
for i in range(1, 10000000):
total += i * i
i = None
total = 0
def sum_of_squares_g():
global i
global total
for i in range(1, 10000000):
total += i * i
def profile(func):
pr = cProfile.Profile()
pr.enable()
func()
pr.disable()
pr.print_stats()
#
# Profile function code
#
print("Function scope:")
profile(sum_of_squares)
#
# Profile global scope code
#
print("Global scope:")
profile(sum_of_squares_g)上面的例子中，可以認(rèn)為sum_of_squares_g() 函數(shù)是全局的，因為它使用了兩個全局變量， i 和 total
從性能分析結(jié)果中，可以看到函數(shù)代碼在執(zhí)行時間方面比全局更有效
Function scope:
2 function calls in 0.903 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.903 0.903 0.903 0.903 profiler.py:3(sum_of_squares)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
Global scope:
2 function calls in 1.358 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 1.358 1.358 1.358 1.358 profiler.py:10(sum_of_squares_g)
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}如何優(yōu)化 python 函數(shù)的性能
前面我們知道，Python 代碼在函數(shù)中運(yùn)行往往比在全局范圍內(nèi)運(yùn)行要快得多
如果想要進(jìn)一步提高 python 函數(shù)代碼效率，不妨考慮一下使用局部變量而不是全局變量
另一種方法是盡可能使用內(nèi)置函數(shù)和庫。Python 的內(nèi)置函數(shù)是用 C 實現(xiàn)的，比 Python 快得多
比如 NumPy 和 Pandas，也是用 C 或 C++ 實現(xiàn)的，它們比實現(xiàn)同樣功能的 Python 代碼速度更快
又比如同樣是實現(xiàn)數(shù)字求和的功能，python 內(nèi)置的 sum 函數(shù)要比你自己編寫函數(shù)速度更快
到此這篇關(guān)于為什么在函數(shù)中運(yùn)行的 Python 代碼速度更快？的文章就介紹到這了,更多相關(guān)函數(shù)中運(yùn)行的 Python 代碼速度塊內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
- python 動態(tài)獲取當(dāng)前運(yùn)行的類名和函數(shù)名的方法
- python每隔N秒運(yùn)行指定函數(shù)的方法
- Python裝飾器限制函數(shù)運(yùn)行時間超時則退出執(zhí)行
- python實現(xiàn)在每個獨(dú)立進(jìn)程中運(yùn)行一個函數(shù)的方法
- Python中統(tǒng)計函數(shù)運(yùn)行耗時的方法
- 使用python裝飾器計算函數(shù)運(yùn)行時間的實例
- python獲取當(dāng)前運(yùn)行函數(shù)名稱的方法實例代碼
- Python使用多進(jìn)程運(yùn)行含有任意個參數(shù)的函數(shù)
相關(guān)文章
這篇文章主要介紹了python寫個俄羅斯方塊，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-11-11
這篇文章主要介紹了Python圖像處理PIL各模塊詳細(xì)介紹，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2019-07-07
這篇文章主要介紹了Python如何讀取相對路徑文件問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-03-03
html類型的文本數(shù)據(jù)內(nèi)容是由前端代碼書寫的標(biāo)簽+文本數(shù)據(jù)的格式,可以直接在chrome瀏覽器打開,清楚的展示出文本的格式,下面這篇文章主要給大家介紹了關(guān)于如何使用Python中的正則表達(dá)式處理html文件的相關(guān)資料,需要的朋友可以參考下2023-04-04
這篇文章主要介紹了tensorflow模型轉(zhuǎn)ncnn的操作方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
為了實現(xiàn)可維護(hù)性,我們的Python函數(shù)應(yīng)該：小型、只做一項任務(wù)；沒有重復(fù)；有一個層次的抽象性；有一個描述性的名字和有少于四個參數(shù),下面我們就來看看這6個特性的實踐吧2023-08-08
Python?UserWarning:?Glyph?missing?from?font(s)?DejaVu?
這篇文章主要介紹了Python?UserWarning:?Glyph?missing?from?font(s)?DejaVu?Sans警告及解決方法,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下2026-01-01
這篇文章主要介紹了python的Tqdm模塊的使用，小編覺得挺不錯的，現(xiàn)在分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2018-01-01
這篇文章主要介紹了Python中subprocess模塊的用法詳解,subprocess是Python 2.4中新增的一個模塊,它允許你生成新的進(jìn)程,連接到它們的 input/output/error 管道,并獲取它們的返回狀態(tài)碼,這個模塊的目的在于替換幾個舊的模塊和方法,需要的朋友可以參考下2023-08-08
這篇文章主要介紹了Python發(fā)送Email的方法,有不錯的實用價值,代碼備有一定的注釋便于讀者理解,需要的朋友可以參考下2014-08-08