Hvordan optimalisere Python-skriptene dine for bedre ytelse

Det er nødvendig mens du utfører en oppgave som krever behandling av flere handlinger eller data. Derfor kan det å bytte ut og forbedre noen ineffektive kodeblokker og funksjoner ha fantastiske resultater som følgende:

1. Øk applikasjonens ytelse
2. Lag lesbar og organisert kode
3. Gjør feilovervåking og feilsøking enklere
4. Spar betydelig regnekraft og så videre

Profiler koden din

Før vi begynner å optimalisere, er det viktig å identifisere delene av prosjektkoden som bremser den. Teknikkene for profilering i Python inkluderer cProfile og profilpakkene. Bruk slike verktøy for å måle hvor raskt visse funksjoner og kodelinjer utføres. cProfile-modulen produserer en rapport som beskriver hvor lang tid hver skriptfunksjon tar å kjøre. Denne rapporten kan hjelpe oss med å finne funksjoner som kjører sakte, slik at vi kan forbedre dem.

Kodebit:

Programmet foretar totalt fem funksjonskall som vist på den første linjen i utdataene. Detaljene for hvert funksjonskall vises i de følgende få linjene, inkludert antall ganger funksjonen ble påkalt, den totale varigheten av tiden i funksjonen, varigheten av tiden per anrop og den totale tiden i funksjonen (inkludert alle funksjonene det kalles).

I tillegg skriver programmet ut en rapport på ledetekstskjermen som viser at programmet fullfører utførelsestiden for alle oppgavene innen 0.000 sekunder. Dette viser hvor raskt programmet er.

Velg riktig datastruktur

Ytelseskarakteristikker er avhengig av datastrukturen. Spesielt er ordbøker raskere for oppslag enn lister angående generell lagring. Velg den datastrukturen som er best egnet for operasjonene vi skal utføre på dataene dine hvis du kjenner til disse. Følgende eksempel undersøker effektiviteten til forskjellige datastrukturer for en identisk prosess for å avgjøre om et element i datastrukturen er tilstede.

Vi evaluerer tiden det tar å sjekke om et element er til stede i hver datastruktur – en liste, et sett og en ordbok – og sammenligner dem.

OptimizeDataType.py:

Denne koden sammenligner ytelsen til lister, sett og ordbøker når du utfører medlemskontroller. Generelt er sett og ordbøker betydelig raskere enn lister for medlemskapstester fordi de bruker hash-baserte oppslag, så de har en gjennomsnittlig tidskompleksitet på O(1). Lister, derimot, må gjøre lineære søk som resulterer i medlemskapstester med O(n) tidskompleksitet.

Bruk de innebygde funksjonene i stedet for løkker

Tallrike innebygde funksjoner eller metoder i Python kan brukes til å utføre typiske oppgaver som filtrering, sortering og kartlegging. Å bruke disse rutinene i stedet for å lage ens løkker bidrar til å øke hastigheten på koden fordi de ofte er ytelsesoptimalisert.

La oss bygge litt eksempelkode for å sammenligne ytelsen til å lage tilpassede løkker ved å bruke de innebygde funksjonene for typiske jobber (som map(), filter() og sorted()). Vi vil evaluere hvor godt de ulike kartleggings-, filtrerings- og sorteringsmetodene fungerer.

BuiltInFunctions.py:

Vi vil sannsynligvis observere at de innebygde funksjonene (map(), filter() og sorted()) er raskere enn de egendefinerte løkkene for disse vanlige oppgavene. De innebygde funksjonene i Python tilbyr en mer kortfattet og forståelig tilnærming til å utføre disse oppgavene og er svært optimalisert for ytelse.

Optimaliser løkkene

Hvis det er nødvendig å skrive løkkene, er det noen få teknikker vi kan gjøre for å øke hastigheten. Vanligvis er range()-løkken raskere enn å iterere bakover. Dette er fordi range() genererer en iterator uten å invertere listen, noe som kan være en kostbar operasjon for lange lister. I tillegg, siden range() ikke bygger en ny liste i minnet, bruker den mindre minne.

OptimizeLoop.py:

Unngå unødvendige funksjonsanrop

Det er noen overhead hver gang en funksjon kalles. Koden kjører raskere hvis unødvendige funksjonsanrop unngås. For eksempel, i stedet for gjentatte ganger å utføre en funksjon som beregner en verdi, prøv å lagre resultatet av beregningen i en variabel og bruke den.

Verktøy for profilering

For å lære mer om ytelsen til koden din, i tillegg til innebygd profilering, kan vi bruke de eksterne profileringspakkene som cProfile, Pyflame eller SnakeViz.

Cache-resultater

Hvis koden vår trenger å utføre dyre beregninger, kan vi vurdere å bufre resultatene for å spare tid.

Kode Refaktorering

Refaktorering av koden for å gjøre den enklere å lese og vedlikeholde er noen ganger en nødvendig del av å optimalisere den. Et raskere program kan også være renere.

Bruk Just-in-Time Compilation (JIT)

Biblioteker som PyPy eller Numba kan tilby en JIT-samling som kan øke hastigheten på visse typer Python-kode betydelig.

Oppgrader Python

Sørg for at du bruker den nyeste versjonen av Python siden nyere versjoner ofte inkluderer ytelsesforbedringer.

Parallellisme og samtidighet

For prosesser som kan parallelliseres, undersøk parallell- og synkroniseringsteknikkene som multiprosessering, tråding eller asyncio.

Husk at benchmarking og profilering bør være hoveddriverne for optimalisering. Konsentrer deg om å forbedre de områdene i koden vår som har de mest betydelige effektene på ytelsen, og test stadig forbedringene dine for å sikre at de har de ønskede effektene uten å introdusere flere defekter.

Konklusjon

Avslutningsvis er Python-kodeoptimalisering avgjørende for forbedret ytelse og ressurseffektivitet. Utviklere kan øke utførelseshastigheten og responsen til Python-applikasjonene sine betraktelig ved å bruke ulike teknikker som å velge riktige datastrukturer, utnytte de innebygde funksjonene, redusere de ekstra løkkene og effektivt administrere minnet. Kontinuerlig benchmarking og profilering bør styre optimaliseringsinnsatsen, og sikre at kodeutviklingen samsvarer med de virkelige ytelseskravene. For å garantere en langsiktig prosjektsuksess og redusere sjansen for å introdusere nye problemer, bør optimalisering av koden hele tiden balanseres med målene om kodelesbarhet og vedlikeholdbarhet.