Python 是一种出色的语言，因为它简单且易读，但如果没有进行适当的优化，它有时会很慢。多年来，我学会了一些改变游戏规则的性能技巧，这些技巧使我的 Python 代码变得更快、更高效。
以下是10 条 Python 性能技巧，我希望我几年前就知道了！我发现了100 个可以帮助增强你的项目的重要 Python 库，请查看。
转自百家如意号
1. 使用列表推导而不是循环循环很有用，但在处理大型数据集时可能会很慢。列表推导比传统循环更快，也更符合 Python 风格。不好（使用循环）Copynumbers = [lbk][rbk]
for i in range(1000000):
numbers.append(i * 2)
好（使用列表推导）Copynumbers = [lbk]i * 2 for i in range(1000000)[rbk]
甚至更好（使用生成器表达式来提高内存效率）Copynumbers = (i * 2 for i in range(1000000)) # Generates values on demand
列表推导在 C 语言中进行了优化，使其比标准循环更快。
2. 使用内置函数和库Python 的内置函数是用C实现的，这使得它们比手动编写的替代方案快得多。不好（手动实现求和函数）Copydef custom_sum(numbers):
total = 0
for num in numbers:
total += num
return total
custom_sum([lbk]1, 2, 3, 4, 5[rbk])
好（使用sum()）Copysum([lbk]1, 2, 3, 4, 5[rbk]) # Faster and more efficient
使用 NumPy 进行数值运算Copyimport numpy as np
arr = np.array([lbk]1, 2, 3, 4, 5[rbk])
arr.sum() # Much faster than Python's sum()
sum() 、 max() 和 min() 等内置函数在 C 中进行了优化，使其速度比手动实现快得多。
3. 使用join()代替字符串连接在循环内使用 + 进行字符串连接很慢，因为 Python 为每个操作创建一个新字符串。错误（ 循环中使用 + ）Copywords = [lbk]"Python", "is", "fast"[rbk]
sentence = ""
for word in words:
sentence += word + " "
好（使用 join() ）Copysentence = " ".join(words)
join() 在 C 语言中进行了优化，执行时间为O(n)，而在循环中使用 + 则需要O(n²)。
4. 使用生成器进行大数据处理生成器以惰性方式产生值，与在 RAM 中存储大型列表相比，这可以节省内存。不好（使用列表处理大量数据）Copydef get_numbers():
return [lbk]i for i in range(1000000)[rbk] # Uses a lot of memory
好（使用生成器）Copydef get_numbers():
for i in range(1000000):
yield i # Generates values on demand
生成器不会将数据存储在内存中，这使得它们非常适合处理大型数据集。
5. 使用set()进行快速查找检查列表中是否存在某个项目需要O(n)时间，但检查 set 中是否存在某个项目平均需要O(1)时间。不好（使用列表进行成员资格检查）Copyitems = [lbk]1, 2, 3, 4, 5[rbk]
if 3 in items: # O(n) time complexity
print("Found")
好（使用集合进行快速查找）Copyitems = {1, 2, 3, 4, 5}
if 3 in items: # O(1) time complexity
print("Found")
set 在内部使用哈希表，使得查找速度比列表快得多。
以下是10 条 Python 性能技巧，我希望我几年前就知道了！我发现了100 个可以帮助增强你的项目的重要 Python 库，请查看。
转自百家如意号
1. 使用列表推导而不是循环循环很有用，但在处理大型数据集时可能会很慢。列表推导比传统循环更快，也更符合 Python 风格。不好（使用循环）Copynumbers = [lbk][rbk]
for i in range(1000000):
numbers.append(i * 2)
好（使用列表推导）Copynumbers = [lbk]i * 2 for i in range(1000000)[rbk]
甚至更好（使用生成器表达式来提高内存效率）Copynumbers = (i * 2 for i in range(1000000)) # Generates values on demand
列表推导在 C 语言中进行了优化，使其比标准循环更快。
2. 使用内置函数和库Python 的内置函数是用C实现的，这使得它们比手动编写的替代方案快得多。不好（手动实现求和函数）Copydef custom_sum(numbers):
total = 0
for num in numbers:
total += num
return total
custom_sum([lbk]1, 2, 3, 4, 5[rbk])
好（使用sum()）Copysum([lbk]1, 2, 3, 4, 5[rbk]) # Faster and more efficient
使用 NumPy 进行数值运算Copyimport numpy as np
arr = np.array([lbk]1, 2, 3, 4, 5[rbk])
arr.sum() # Much faster than Python's sum()
sum() 、 max() 和 min() 等内置函数在 C 中进行了优化，使其速度比手动实现快得多。
3. 使用join()代替字符串连接在循环内使用 + 进行字符串连接很慢，因为 Python 为每个操作创建一个新字符串。错误（ 循环中使用 + ）Copywords = [lbk]"Python", "is", "fast"[rbk]
sentence = ""
for word in words:
sentence += word + " "
好（使用 join() ）Copysentence = " ".join(words)
join() 在 C 语言中进行了优化，执行时间为O(n)，而在循环中使用 + 则需要O(n²)。
4. 使用生成器进行大数据处理生成器以惰性方式产生值，与在 RAM 中存储大型列表相比，这可以节省内存。不好（使用列表处理大量数据）Copydef get_numbers():
return [lbk]i for i in range(1000000)[rbk] # Uses a lot of memory
好（使用生成器）Copydef get_numbers():
for i in range(1000000):
yield i # Generates values on demand
生成器不会将数据存储在内存中，这使得它们非常适合处理大型数据集。
5. 使用set()进行快速查找检查列表中是否存在某个项目需要O(n)时间，但检查 set 中是否存在某个项目平均需要O(1)时间。不好（使用列表进行成员资格检查）Copyitems = [lbk]1, 2, 3, 4, 5[rbk]
if 3 in items: # O(n) time complexity
print("Found")
好（使用集合进行快速查找）Copyitems = {1, 2, 3, 4, 5}
if 3 in items: # O(1) time complexity
print("Found")
set 在内部使用哈希表，使得查找速度比列表快得多。
