使用python进入一个熟练的状态之后就会思考提升代码的性能，尤其是python的执行效率还有很大提升空间(委婉的说法)。面对提升效率这个话题，python自身提供了很多高性能模块，很多大牛开发出了高效第三方包，可谓是百花齐放。下面根据我个人使用总结出提升性能的几个层面和相关方法。

python代码优化：

语法层面
高效模块
解释器层面

语法层面

变量定义
数据类型
条件判断
循环
生成器

变量定义

多使用局部变量少使用全局变量，命名空间中局部变量优先搜索

条件判断

可以使用字典的key value特性，直接用key命中条件，避免if判断
用in操作在判断是否存在方面替换if else判断
用max，min等内置函数在判断大小方面可以替换if else
用bool可以判断出True或False，结合int(bool(object))可以在判断真值方面替换if else
使用any 或 all 将多个判断一起处理，减少if else的分支
if条件的短路特性。if a or b这种判断中，如果a是True就不会判断b，所以将True条件写在前面可以节省判断时间。同理 and 判断将假写在前面，后面一个条件不判断

数据类型

使用dict 或set查找，替换list或tuple
集合的交并补差操作效率非常高。for循环和集合都可以处理的选择集合解决，集合的效率远高于循环

循环

用for循环代替while循环，for循环比while循环快
使用隐式for循环代替显式for循环。如sum，map，filter，reduce等都是隐式for循环。隐式循环快于显式循环
尽量不要打断循环。打断循环的放在外面。有判断条件的语句和与循环不相关的操作语句尽量放在for外面
应当将最长的循环放在最内层，最短的循环放在最外层，以减少CPU跨切循环层的次数
使用生成式替换循环创建

合理使用迭代器和生成器

需要迭代出大量数据的场景，不需要将所有数据创建出来，合理使用生成器减少内存消耗

items_gen = (i for i in range(5000))
>>> items_gen.__sizeof__()
96

items_list = [i for i in ragne(5000)]
>>> items_list.__sizeof__()
43016

高效模块

collections 数据增强模块
itertools 高效迭代模块
array 高效数组
functool 用于处理函数的高阶函数包
异步编程相关模块

collections

Counter: 高效的统计库
defaultdict：带默认值的字典
ChainMap：高效组合字典的库
deque: 双端队列，高效插入删除

详细使用参见另一篇专门讲collections的文章 Python原生数据结构增强模块collections

itertools

chain：多个可迭代对象构建成一个新的可迭代对象
groupby：按照指定的条件分类，输出条件和符合条件的元素
from_iteratorable：一个迭代对象中将所有元素类似于chain一样，统一返回
islice：对迭代器进行切片，能指定start和stop以及步长

详细使用参见另一篇专门讲itertools的文章Python高性能工具迭代标准库itertools

array

array 模块是python中实现的一种高效的数组存储类型。
它和list相似，但是所有的数组成员必须是同一种类型，在创建数组的时候，就确定了数组的类型。

functool

functools.lru_cache 对函数做缓存

lru_cache 是一个装饰器，为函数提供缓存功能。被装饰的函数以相同参数调用时直接返回上一次的结果。
不做缓存

import time
 
def fibonacci(n):
    """斐波那契函数"""
    if n < 2:
        return n
    return fibonacci(n - 2) + fibonacci(n - 1)


start = time.time()
res = fibonacci(40)
end = time.time()
print(res)
print(end - start)

102334155
32.14816737174988

做缓存

import time
from functools import lru_cache      
 
@lru_cache
def fibonacci(n):
    """斐波那契函数"""
    if n < 2:
        return n
    return fibonacci(n - 2) + fibonacci(n - 1)


start = time.time()
res = fibonacci(40)
end = time.time()
print(res)
print(end - start)

102334155
0.00020623207092285156

使用注意：

缓存是按照参数作为键。调用函数时任意一个参数发生变化都不会返回之前缓存结果
所有参数必须可哈希hash。也就是说参数只能是不可变对象

异步编程相关模块

自从python3.6之后，异步编程的思想逐渐成熟。异步编程在IO密集性任务中可以非常有效的提升程序效率。
异步编程用做客户端可以提高网络请求的并发量，如aiohttp异步请求的模块
异步编程用户服务端可以提高网络请求的处理速度，比较知名的web异步编程框架有：

Tornado 老牌的异步编程框架
Fastapi 当下最火热的异步编程框架
Sanic 速度最快的异步编程框架

异步编程用于文件读写的模块，如aiofiles

异步编程是一个巨大的话题，限于篇幅另开一系列来介绍。

解释器层面：

减少python执行过程

python 代码的执行过程为：

编译器将源码编译成中间状态的字节码
解释器执行字节码，将字节码转成机器码在cpu上运行

python慢的原因主要是因为解释器。解决办法有三个：
一、是使用C/C++语言重写Python函数，但是这要求程序员对C/C++语言熟悉，且调试速度慢，不适合绝大多数Python程序员。
二、一种非常方便快捷的解决办法就是使用Just-In-Time（JIT）技术。
三、更换速度更快的解释器
下面介绍方法二和三。

JIT技术

一是解决办法是使用C/C++语言重写Python函数，但是这要求程序员对C/C++语言熟悉，且调试速度慢，不适合绝大多数Python程序员。
另外一种非常方便快捷的解决办法就是使用Just-In-Time（JIT）技术。

Just-In-Time（JIT）技术为解释语言提供了一种优化，它能克服上述效率问题，极大提升代码执行速度，同时保留Python语言的易用性。使用JIT技术时，JIT编译器将Python源代码编译成机器直接可以执行的机器语言，并可以直接在CPU等硬件上运行。这样就跳过了原来的虚拟机，执行速度几乎与用C语言编程速度并无二致。

Numba是一个针对Python的开源JIT编译器，由Anaconda公司主导开发，可以对Python原生代码进行CPU和GPU加速。

import time

def fun(x):
    total = 0
    start = time.time()
    for i in range(1,x+1):
        total += i 
    end = time.time()
    print(total)
    print(end - start)

fun(100000000)

5000000050000000
5.934630393981934

import time
from numba import jit, int32

@jit(int32(int32))
def fun(x):
    total = 0
    start = time.time()
    for i in range(1,x+1):
        total += i 
    end = time.time()
    print(total)
    print(end - start)

fun(100000000)