在我看來，python社區分為了三個流派，分別是python 2.x組織，3.x組織和PyPy組織。這個分類基本上可以歸根于類庫的兼容性和速度。這篇文章將聚焦于一些通用代碼的優化技巧以及編譯成C后性能的顯著提升，當然我也會給出三大主要python流派運行時間。我的目的不是為了證明一個比另一個強，只是為了讓你知道如何在不同的環境下使用這些具體例子作比較。
使用生成器
一個普遍被忽略的內存優化是生成器的使用。生成器讓我們創建一個函數一次只返回一條記錄，而不是一次返回所有的記錄，如果你正在使用python2.x，這就是你為啥使用xrange替代range或者使用ifilter替代filter的原因。一個很好地例子就是創建一個很大的列表并將它們拼合在一起。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import timeitimport random def generate(num):while num:yield random.randrange(10)num -= 1 def create_list(num):numbers = []while num:numbers.append(random.randrange(10))num -= 1return numbersprint(timeit.timeit("sum(generate(999))", setup="from __main__ import generate", number=1000))>>> 0.88098192215 #Python 2.7>>> 1.416813850402832 #Python 3.2print(timeit.timeit("sum(create_list(999))", setup="from __main__ import create_list", number=1000))>>> 0.924163103104 #Python 2.7>>> 1.5026731491088867 #Python 3.2 |
這不僅是快了一點，也避免了你在內存中存儲全部的列表!
Ctypes的介紹
對于關鍵性的性能代碼python本身也提供給我們一個API來調用C方法，主要通過 ctypes來實現，你可以不寫任何C代碼來利用ctypes。默認情況下python提供了預編譯的標準c庫，我們再回到生成器的例子，看看使用ctypes實現花費多少時間。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
import timeitfrom ctypes import cdll def generate_c(num):#Load standard C librarylibc = cdll.LoadLibrary("libc.so.6") #Linux#libc = cdll.msvcrt #Windowswhile num:yield libc.rand() % 10num -= 1 print(timeit.timeit("sum(generate_c(999))", setup="from __main__ import generate_c", number=1000))>>> 0.434374809265 #Python 2.7>>> 0.7084300518035889 #Python 3.2 |
僅僅換成了c的隨機函數，運行時間減了大半！現在如果我告訴你我們還能做得更好，你信嗎?
Cython的介紹
Cython 是python的一個超集，允許我們調用C函數以及聲明變量來提高性能。嘗試使用之前我們需要先安裝Cython.
|
1
|
sudo pip install cython |
Cython 本質上是另一個不再開發的類似類庫Pyrex的分支，它將我們的類Python代碼編譯成C庫，我們可以在一個python文件中調用。對于你的python文件使用.pyx后綴替代.py后綴，讓我們看一下使用Cython如何來運行我們的生成器代碼。
|
1
2
3
4
5
6
7
|
#cython_generator.pyximport random def generate(num):while num:yield random.randrange(10)num -= 1 |
我們需要創建個setup.py以便我們能獲取到Cython來編譯我們的函數。
|
1
2
3
4
5
6
7
8
|
from distutils.core import setupfrom distutils.extension import Extensionfrom Cython.Distutils import build_ext setup(cmdclass = {'build_ext': build_ext},ext_modules = [Extension("generator", ["cython_generator.pyx"])]) |
編譯使用:
|
1
|
python setup.py build_ext --inplace |
|
1
2
3
|
import timeitprint(timeit.timeit("sum(generator.generate(999))", setup="import generator", number=1000))>>> 0.835658073425 |
還不賴，讓我們看看是否還有可以改進的地方。我們可以先聲明“num”為整形，接著我們可以導入標準的C庫來負責我們的隨機函數。
|
1
2
3
4
5
6
7
8
|
#cython_generator.pyxcdef extern from "stdlib.h":int c_libc_rand "rand"() def generate(int num):while num:yield c_libc_rand() % 10num -= 1 |
如果我們再次編譯運行我們會看到這一串驚人的數字。
|
1
|
>>> 0.033586025238 |
僅僅的幾個改變帶來了不賴的結果。然而，有時這個改變很乏味，因此讓我們來看看如何使用規則的python來實現吧。
PyPy的介紹
PyPy 是一個Python2.7.3的即時編譯器，通俗地說這意味著讓你的代碼運行的更快。Quora在生產環境中使用了PyPy。PyPy在它們的下載頁面有一些安裝說明，但是如果你使用的Ubuntu系統，你可以通過apt-get來安裝。它的運行方式是立即可用的，因此沒有瘋狂的bash或者運行腳本，只需下載然后運行即可。讓我們看看我們原始的生成器代碼在PyPy下的性能如何。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
import timeitimport random def generate(num):while num:yield random.randrange(10)num -= 1 def create_list(num):numbers = []while num:numbers.append(random.randrange(10))num -= 1return numbersprint(timeit.timeit("sum(generate(999))", setup="from __main__ import generate", number=1000))>>> 0.115154981613 #PyPy 1.9>>> 0.118431091309 #PyPy 2.0b1print(timeit.timeit("sum(create_list(999))", setup="from __main__ import create_list", number=1000))>>> 0.140175104141 #PyPy 1.9>>> 0.140514850616 #PyPy 2.0b1 |
哇！沒有修改一行代碼運行速度是純python實現的8倍。
進一步測試為什么還要進一步研究？PyPy是冠軍！并不全對。雖然大多數程序可以運行在PyPy上，但是還是有一些庫沒有被完全支持。而且，為你的項目寫C的擴展相比換一個編譯器更加容易。讓我們更加深入一些，看看ctypes如何讓我們使用C來寫庫。我們來測試一下歸并排序和計算斐波那契數列的速度。下面是我們要用到的C代碼（functions.c）：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
/* functions.c */#include <stdio.h>#include <stdlib.h>#include <string.h> /* http://rosettacode.org/wiki/Sorting_algorithms/Merge_sort#C */inline voidmerge (int *left, int l_len, int *right, int r_len, int *out){int i, j, k;for (i = j = k = 0; i < l_len && j < r_len;)out[k++] = left[i] < right[j] ? left[i++] : right[j++];while (i < l_len)out[k++] = left[i++];while (j < r_len)out[k++] = right[j++];} /* inner recursion of merge sort */voidrecur (int *buf, int *tmp, int len){int l = len / 2;if (len <= 1)return;/* note that buf and tmp are swapped */recur (tmp, buf, l);recur (tmp + l, buf + l, len - l);merge (tmp, l, tmp + l, len - l, buf);} /* preparation work before recursion */voidmerge_sort (int *buf, int len){/* call alloc, copy and free only once */int *tmp = malloc (sizeof (int) * len);memcpy (tmp, buf, sizeof (int) * len);recur (buf, tmp, len);free (tmp);} intfibRec (int n){if (n < 2)return n;elsereturn fibRec (n - 1) + fibRec (n - 2);} |
在Linux平臺，我們可以用下面的方法把它編譯成一個共享庫：
|
1
2
|
gcc -Wall -fPIC -c functions.cgcc -shared -o libfunctions.so functions.o |
使用ctypes， 通過加載”libfunctions.so”這個共享庫，就像我們前邊對標準C庫所作的那樣，就可以使用這個庫了。這里我們將要比較Python實現和C實現。現在我們開始計算斐波那契數列：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
# functions.py from ctypes import *import time libfunctions = cdll.LoadLibrary("./libfunctions.so") def fibRec(n):if n < 2:return nelse:return fibRec(n-1) + fibRec(n-2) start = time.time()fibRec(32)finish = time.time()print("Python: " + str(finish - start)) # C Fibonaccistart = time.time()x = libfunctions.fibRec(32)finish = time.time()print("C: " + str(finish - start)) |
正如我們預料的那樣，C比Python和PyPy更快。我們也可以用同樣的方式比較歸并排序。
我們還沒有深挖Cypes庫，所以這些例子并沒有反映python強大的一面，Cypes庫只有少量的標準類型限制，比如int型，char數組，float型，字節（bytes）等等。默認情況下，沒有整形數組，然而通過與c_int相乘（ctype為int類型）我們可以間接獲得這樣的數組。這也是代碼第7行所要呈現的。我們創建了一個c_int數組，有關我們數字的數組并分解打包到c_int數組中
主要的是c語言不能這樣做，而且你也不想。我們用指針來修改函數體。為了通過我們的c_numbers的數列，我們必須通過引用傳遞merge_sort功能。運行merge_sort后，我們利用c_numbers數組進行排序，我已經把下面的代碼加到我的functions.py文件中了。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
|
#Python Merge Sortfrom random import shuffle, sample #Generate 9999 random numbers between 0 and 100000numbers = sample(range(100000), 9999)shuffle(numbers)c_numbers = (c_int * len(numbers))(*numbers) from heapq import mergedef merge_sort(m):if len(m) <= 1:return mmiddle = len(m) // 2left = m[:middle]right = m[middle:]left = merge_sort(left)right = merge_sort(right)return list(merge(left, right)) start = time.time()numbers = merge_sort(numbers)finish = time.time()print("Python: " + str(finish - start)) #C Merge Sortstart = time.time()libfunctions.merge_sort(byref(c_numbers), len(numbers))finish = time.time()print("C: " + str(finish - start)) Python: 0.190635919571 #Python 2.7Python: 0.11785483360290527 #Python 3.2Python: 0.266992092133 #PyPy 1.9Python: 0.265724897385 #PyPy 2.0b1C: 0.00201296806335 #Python 2.7 + ctypesC: 0.0019741058349609375 #Python 3.2 + ctypesC: 0.0029308795929 #PyPy 1.9 + ctypesC: 0.00287103652954 #PyPy 2.0b1 + ctypes |
這兒通過表格和圖標來比較不同的結果。
.
