ToB企服应用市场:ToB评测及商务社交产业平台

标题: 为什么 Python 代码在函数中运行得更快？ [打印本页]

---

作者: 玛卡巴卡的卡巴卡玛    时间: 2023-9-24 12:41
标题: 为什么 Python 代码在函数中运行得更快？
哈喽大家好，我是咸鱼
当谈到编程效率和性能优化时，Python 常常被调侃为“慢如蜗牛”
有趣的是，Python 代码在函数中运行往往比在全局范围内运行要快得多
小伙伴们可能会有这个疑问：为什么在函数中运行的 Python 代码速度更快？
今天这篇文章将会解答大家心中的疑惑
原文链接：https://stackabuse.com/why-does-python-code-run-faster-in-a-function/
译文

要理解为什么 Python 代码在函数中运行得更快，我们需要首先了解 Python 是如何执行代码的
我们知道，python 是一种解释型语言，它会逐行读取并执行代码
当运行一个 python 程序的时候，首先将代码编译成字节码（一种更接近机器码的中间语言）然后 python 解释器执行字节码

1. def hello_world():
2.     print("Hello, World!")
4. import dis
5. dis.dis(hello_world)

复制代码

1. #结果
2.   2           0 LOAD_GLOBAL              0 (print)
3.               2 LOAD_CONST               1 ('Hello, World!')
4.               4 CALL_FUNCTION            1
5.               6 POP_TOP
6.               8 LOAD_CONST               0 (None)
7.              10 RETURN_VALUE

复制代码

由上所示，python 中的 dis 模块将函数 hello_world 分解为字节码

需要注意的是，python 解释器是一个执行字节码的虚拟机，默认的 python 解释器是用 C 编写的，即 CPython
还有其他的 python 解释器如 Jython(用 Java 编写)，IronPython(用于 .net)和PyPy(用 Python 和 C 编写)

为什么 Python 代码在函数中运行得更快
我们来编写一个简单的例子：定义一个函数 my_function，函数内部包含一个 for 循环

1. def my_function():
2.     for i in range(100000000):
3.         pass

复制代码

编译该函数的时候，字节码可能如下所示

1.   SETUP_LOOP              20 (to 23)
2.   LOAD_GLOBAL             0 (range)
3.   LOAD_CONST              3 (100000000)
4.   CALL_FUNCTION           1
5.   GET_ITER            
6.   FOR_ITER                6 (to 22)
7.   STORE_FAST              0 (i)
8.   JUMP_ABSOLUTE           13
9.   POP_BLOCK           
10.   LOAD_CONST              0 (None)
11.   RETURN_VALUE

复制代码

这里的关键指令是 STORE_FAST ，用于存储循环变量 i
现在我们把这个 for 循环放在 python 脚本的顶层（全局范围内），然后再来看一下字节码

1. for i in range(100000000):
2.         pass

复制代码

1.   SETUP_LOOP              20 (to 23)
2.   LOAD_NAME               0 (range)
3.   LOAD_CONST              3 (100000000)
4.   CALL_FUNCTION           1
5.   GET_ITER            
6.   FOR_ITER                6 (to 22)
7.   STORE_NAME              1 (i)
8.   JUMP_ABSOLUTE           13
9.   POP_BLOCK           
10.   LOAD_CONST              2 (None)
11.   RETURN_VALUE

复制代码

可以看到关键指令变成了 STORE_NAME，而不是 STORE_FAST
字节码 STORE_FAST比 STORE_NAME 快，因为在函数中，局部变量存储在固定长度的数组中，而不是存储在字典中。这个数组可以通过索引直接访问，使得变量检索非常快
基本上，它只是一个指向列表的指针，并增加了 PyObject 的引用计数，这两个都是高效的操作
另一方面，全局变量存储在一个字典。当访问全局变量时，Python 必须执行哈希表查找，这涉及计算哈希值，然后检索与之关联的值
虽然经过优化，但仍然比基于索引的查找慢
基准测试验证
我们知道在 Python 中，代码执行的速度取决于代码执行的位置——在函数中还是在全局作用域中
让我们用一个简单的基准测试的例子来比较一下
首先定义一个求阶乘的函数

1. def factorial(n):
2.     result = 1
3.     for i in range(1, n + 1):
4.         result *= i
5.     return result

复制代码

然后在全局范围内执行相同的代码

1. n = 20
2. result = 1
3. for i in range(1, n + 1):
4.     result *= i

复制代码

为了对这两段代码进行基准测试，我们可以在 Python 中使用 timeit 模块，它提供了一种简单的方法来对少量 Python 代码进行计时

1. import timeit# 函数def benchmark():    start = timeit.default_timer()    factorial(20)    end = timeit.default_timer()    print(end - start)benchmark()# Prints: 3.541994374245405e-06# 全局范围start = timeit.default_timer()n = 20
2. result = 1
3. for i in range(1, n + 1):
4.     result *= iend = timeit.default_timer()print(end - start) # Pirnts: 5.375011824071407e-06

复制代码

可以看到，函数代码的执行速度比全局作用域代码要快

需要注意的是，这两段代码最好不要放在同一脚本中，要分开单独运行

这是因为 benchmark() 函数在执行时间上增加了一些开销，并且全局代码在内部进行了优化

cProfile 分析
python 提供了一个  cProfile 内置模块
让我们用它来分析一个新例子：在局部和全局范围内计算平方和

1. import cProfile
3. def sum_of_squares():
4.     total = 0
5.     for i in range(1, 10000000):
6.         total += i * i
8. i = None
9. total = 0
10. def sum_of_squares_g():
11.     global i
12.     global total
13.     for i in range(1, 10000000):
14.         total += i * i
15.    
16. def profile(func):
17.     pr = cProfile.Profile()
18.     pr.enable()
20.     func()
22.     pr.disable()
23.     pr.print_stats()
24. #
25. # Profile function code
26. #
27. print("Function scope:")
28. profile(sum_of_squares)
30. #
31. # Profile global scope code
32. #
33. print("Global scope:")
34. profile(sum_of_squares_g)

复制代码

上面的例子中，可以认为sum_of_squares_g() 函数是全局的，因为它使用了两个全局变量， i 和 total
从性能分析结果中，可以看到函数代码在执行时间方面比全局更有效

1. Function scope:
2.          2 function calls in 0.903 seconds
4.    Ordered by: standard name
6.    ncalls  tottime  percall  cumtime  percall filename:lineno(function)
7.    1       0.903    0.903    0.903    0.903 profiler.py:3(sum_of_squares)
8.    1       0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
11. Global scope:
12.          2 function calls in 1.358 seconds
14.    Ordered by: standard name
16.    ncalls  tottime  percall  cumtime  percall filename:lineno(function)
17.    1       1.358    1.358    1.358    1.358 profiler.py:10(sum_of_squares_g)
18.    1       0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}

复制代码

如何优化 python 函数的性能
前面我们知道，Python 代码在函数中运行往往比在全局范围内运行要快得多
如果想要进一步提高 python 函数代码效率，不妨考虑一下使用局部变量而不是全局变量
另一种方法是尽可能使用内置函数和库。Python 的内置函数是用 C 实现的，比 Python 快得多
比如 NumPy 和 Pandas，也是用 C 或 C++ 实现的，它们比实现同样功能的 Python 代码速度更快
又比如同样是实现数字求和的功能，python 内置的 sum 函数要比你自己编写函数速度更快

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

---

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)

Powered by Discuz! X3.4