Python性能优化（一）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_32782059/article/details/74206421

Python是一种解释型的语言，本身的计算性能并不高。但是Python已经发展成为了一种访问高性能技术的理想平台，不同库的使用将大大影响运算的速度。

下面就各种计算库的计算速度做一个简单的测试：

一、math库的计算

from math import *

from time import ctime

import timeit

loops = 25000000

a = range( 1, loops)

def f( x):

return 3 * log(x) + cos(x) ** 2

def calc():

[f(x) for x in a]

print(ctime())

# calc共执行5次，花费90秒，平均每一次花费18秒的时间。

t = timeit.Timer( lambda: calc()).timeit( 5)

print(t)

print(ctime())

2500万次的计算需要花费18秒的时间（本人测试机器）

二、使用numpy库

import numpy as np

from time import ctime

import timeit

loops = 25000000

a = np.arange( 1, loops)

def calc():

#执行2500万次计算

3 * np.log(a) + np.cos(a) ** 2

print(ctime())

# calc共执行5次，花费6.5秒，平均每一次花费1.3秒的时间。

t = timeit.Timer( lambda: calc()).timeit( 5)

print(t)

print(ctime())

2500万次的计算需要花费1.5秒的时间（本人测试机器）

三、numexpr库的使用

import numexpr as ne

import numpy as np

from time import ctime

import timeit

loops = 25000000

a = np.arange( 1, loops)

def calc():

#执行2500万次计算

expr = "3 * log(a) + cos(a) ** 2"

ne.evaluate(expr)

print(ctime())

# calc共执行5次，花费1.6秒，平均每一次花费0.32秒的时间。

t = timeit.Timer( lambda: calc()).timeit( 5)

print(t)

print(ctime())

2500万次的计算需要花费0.23秒的时间（本人测试机器）

四、numexpr使用多线程

import numexpr as ne

import numpy as np

from time import ctime

import timeit

loops = 25000000

a = np.arange( 1, loops)

def calc():

#执行2500万次计算

expr = "3 * log(a) + cos(a) ** 2"

ne.evaluate(expr)

#设置多线程使用。

ne.set_num_threads( 4)

print(ctime())

# calc共执行5次，花费1.6秒，平均每一次花费0.32秒的时间。

t = timeit.Timer( lambda: calc()).timeit( 5)

print(t)

print(ctime())

2500万次的计算需要花费0.32秒的时间（本人测试机器），使用的是四线程

看来不占优势。

如果将ne.set_num_threads(4)修改为ne.set_num_threads(8)，即使用8线程，可以降到0.23秒。

备注：从上面的测试可以看出，numpy的性能很不错，numexpr没有压倒性的优势。