北大青鳥設(shè)計培訓(xùn)：怎樣才能提高Python運行效率？

python逐漸走入人們的視線，成為熱門編程語言，隨之而來，加入python培訓(xùn)的準(zhǔn)程序員大軍也成為社會熱點。

創(chuàng)新互聯(lián)公司是一家專業(yè)提供鐵嶺企業(yè)網(wǎng)站建設(shè),專注與成都網(wǎng)站設(shè)計、成都做網(wǎng)站、外貿(mào)網(wǎng)站建設(shè)、H5頁面制作、小程序制作等業(yè)務(wù)。10年已為鐵嶺眾多企業(yè)、政府機構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)站建設(shè)公司優(yōu)惠進行中。

Python具有許多其他編程語言不具備的優(yōu)勢，譬如能通過極少量代碼完成許多操作，以及多進程，能夠輕松支持多任務(wù)處理。

除了多種優(yōu)勢外，python也有不好的地方，運行較慢，下面電腦培訓(xùn)為大家介紹6個竅門，可以幫你提高python的運行效率。

1.在排序時使用鍵Python含有許多古老的排序規(guī)則，這些規(guī)則在你創(chuàng)建定制的排序方法時會占用很多時間，而這些排序方法運行時也會拖延程序?qū)嶋H的運行速度。

最佳的排序方法其實是盡可能多地使用鍵和內(nèi)置的sort()方法。

2.交叉編譯你的應(yīng)用開發(fā)者有時會忘記計算機其實并不理解用來創(chuàng)建現(xiàn)代應(yīng)用程序的編程語言。

計算機理解的是機器語言。

為了運行你的應(yīng)用，你借助一個應(yīng)用將你所編的人類可讀的代碼轉(zhuǎn)換成機器可讀的代碼。

有時，你用一種諸如Python這樣的語言編寫應(yīng)用，再以C++這樣的語言運行你的應(yīng)用，這在運行的角度來說，是可行的。

關(guān)鍵在于，你想你的應(yīng)用完成什么事情，而你的主機系統(tǒng)能提供什么樣的資源。

3.關(guān)鍵代碼使用外部功能包Python簡化了許多編程任務(wù)，但是對于一些時間敏感的任務(wù)，它的表現(xiàn)經(jīng)常不盡人意。

使用C/C++或機器語言的外部功能包處理時間敏感任務(wù)，可以有效提高應(yīng)用的運行效率。

這些功能包往往依附于特定的平臺，因此你要根據(jù)自己所用的平臺選擇合適的功能包。

簡而言之，這個竅門要你犧牲應(yīng)用的可移植性以換取只有通過對底層主機的直接編程才能獲得的運行效率。

4.針對循環(huán)的優(yōu)化每一種編程語言都強調(diào)最優(yōu)化的循環(huán)方案。

當(dāng)使用Python時，你可以借助豐富的技巧讓循環(huán)程序跑得更快。

然而，開發(fā)者們經(jīng)常遺忘的一個技巧是：盡量避免在循環(huán)中訪問變量的屬性。

5.嘗試多種編碼方法每次創(chuàng)建應(yīng)用時都使用同一種編碼方法幾乎無一例外會導(dǎo)致應(yīng)用的運行效率不盡人意。

可以在程序分析時嘗試一些試驗性的辦法。

譬如說，在處理字典中的數(shù)據(jù)項時，你既可以使用安全的方法，先確保數(shù)據(jù)項已經(jīng)存在再進行更新，也可以直接對數(shù)據(jù)項進行更新，把不存在的數(shù)據(jù)項作為特例分開處理。

6.使用較新的Python版本你要保證自己的代碼在新版本里還能運行。

你需要使用新的函數(shù)庫才能體驗新的Python版本，然后你需要在做出關(guān)鍵性的改動時檢查自己的應(yīng)用。

只有當(dāng)你完成必要的修正之后，你才能體會新版本的不同。

Python怎么做最優(yōu)化

最優(yōu)化

為什么要做最優(yōu)化呢？因為在生活中，人們總是希望幸福值或其它達到一個極值，比如做生意時希望成本最小，收入最大，所以在很多商業(yè)情境中，都會遇到求極值的情況。

函數(shù)求根

這里「函數(shù)的根」也稱「方程的根」，或「函數(shù)的零點」。

先把我們需要的包加載進來。import numpy as npimport scipy as spimport scipy.optimize as optimport matplotlib.pyplot as plt%matplotlib inline

函數(shù)求根和最優(yōu)化的關(guān)系？什么時候函數(shù)是最小值或最大值？

兩個問題一起回答：最優(yōu)化就是求函數(shù)的最小值或最大值，同時也是極值，在求一個函數(shù)最小值或最大值時，它所在的位置肯定是導(dǎo)數(shù)為 0 的位置，所以要求一個函數(shù)的極值，必然要先求導(dǎo)，使其為 0，所以函數(shù)求根就是為了得到最大值最小值。

scipy.optimize 有什么方法可以求根？

可以用 scipy.optimize 中的 bisect 或 brentq 求根。f = lambda x: np.cos(x) - x # 定義一個匿名函數(shù)x = np.linspace(-5, 5, 1000) # 先生成 1000 個 xy = f(x) # 對應(yīng)生成 1000 個 f(x)plt.plot(x, y); # 看一下這個函數(shù)長什么樣子plt.axhline(0, color='k'); # 畫一根橫線，位置在 y=0

opt.bisect(f, -5, 5) # 求取函數(shù)的根0.7390851332155535plt.plot(x, y)plt.axhline(0, color='k')plt.scatter([_], [0], c='r', s=100); # 這里的 [_] 表示上一個 Cell 中的結(jié)果，這里是 x 軸上的位置，0 是 y 上的位置

求根有兩種方法，除了上面介紹的 bisect，還有 brentq，后者比前者快很多。%timeit opt.bisect(f, -5, 5)%timeit opt.brentq(f, -5, 5)10000 loops, best of 3: 157 s per loopThe slowest run took 11.65 times longer than the fastest. This could mean that an intermediate result is being cached.10000 loops, best of 3: 35.9 s per loop

函數(shù)求最小化

求最小值就是一個最優(yōu)化問題。求最大值時只需對函數(shù)做一個轉(zhuǎn)換，比如加一個負號，或者取倒數(shù)，就可轉(zhuǎn)成求最小值問題。所以兩者是同一問題。

初始值對最優(yōu)化的影響是什么？

舉例來說，先定義個函數(shù)。f = lambda x: 1-np.sin(x)/xx = np.linspace(-20., 20., 1000)y = f(x)

當(dāng)初始值為 3 值，使用 minimize 函數(shù)找到最小值。minimize 函數(shù)是在新版的 scipy 里，取代了以前的很多最優(yōu)化函數(shù)，是個通用的接口，背后是很多方法在支撐。x0 = 3xmin = opt.minimize(f, x0).x # x0 是起始點，起始點最好離真正的最小值點不要太遠plt.plot(x, y)plt.scatter(x0, f(x0), marker='o', s=300); # 起始點畫出來，用圓圈表示plt.scatter(xmin, f(xmin), marker='v', s=300); # 最小值點畫出來，用三角表示plt.xlim(-20, 20);

初始值為 3 時，成功找到最小值。

現(xiàn)在來看看初始值為 10 時，找到的最小值點。x0 = 10xmin = opt.minimize(f, x0).xplt.plot(x, y)plt.scatter(x0, f(x0), marker='o', s=300)plt.scatter(xmin, f(xmin), marker='v', s=300)plt.xlim(-20, 20);

由上圖可見，當(dāng)初始值為 10 時，函數(shù)找到的是局部最小值點，可見 minimize 的默認算法對起始點的依賴性。

那么怎么才能不管初始值在哪個位置，都能找到全局最小值點呢？

如何找到全局最優(yōu)點？

可以使用 basinhopping 函數(shù)找到全局最優(yōu)點，相關(guān)背后算法，可以看幫助文件，有提供論文的索引和出處。

我們設(shè)初始值為 10 看是否能找到全局最小值點。x0 = 10from scipy.optimize import basinhoppingxmin = basinhopping(f,x0,stepsize = 5).xplt.plot(x, y);plt.scatter(x0, f(x0), marker='o', s=300);plt.scatter(xmin, f(xmin), marker='v', s=300);plt.xlim(-20, 20);

當(dāng)起始點在比較遠的位置，依然成功找到了全局最小值點。

如何求多元函數(shù)最小值？

以二元函數(shù)為例，使用 minimize 求對應(yīng)的最小值。def g(X): x,y = X return (x-1)**4 + 5 * (y-1)**2 - 2*x*yX_opt = opt.minimize(g, (8, 3)).x # (8,3) 是起始點print X_opt[ 1.88292611 1.37658521]fig, ax = plt.subplots(figsize=(6, 4)) # 定義畫布和圖形x_ = y_ = np.linspace(-1, 4, 100)X, Y = np.meshgrid(x_, y_)c = ax.contour(X, Y, g((X, Y)), 50) # 等高線圖ax.plot(X_opt[0], X_opt[1], 'r*', markersize=15) # 最小點的位置是個元組ax.set_xlabel(r"$x_1$", fontsize=18)ax.set_ylabel(r"$x_2$", fontsize=18)plt.colorbar(c, ax=ax) # colorbar 表示顏色越深，高度越高fig.tight_layout()

畫3D 圖。from mpl_toolkits.mplot3d import Axes3Dfrom matplotlib import cmfig = plt.figure()ax = fig.gca(projection='3d')x_ = y_ = np.linspace(-1, 4, 100)X, Y = np.meshgrid(x_, y_)surf = ax.plot_surface(X, Y, g((X,Y)), rstride=1, cstride=1, cmap=cm.coolwarm, linewidth=0, antialiased=False)cset = ax.contour(X, Y, g((X,Y)), zdir='z',offset=-5, cmap=cm.coolwarm)fig.colorbar(surf, shrink=0.5, aspect=5);

曲線擬合

曲線擬合和最優(yōu)化有什么關(guān)系？

曲線擬合的問題是，給定一組數(shù)據(jù)，它可能是沿著一條線散布的，這時要找到一條最優(yōu)的曲線來擬合這些數(shù)據(jù)，也就是要找到最好的線來代表這些點，這里的最優(yōu)是指這些點和線之間的距離是最小的，這就是為什么要用最優(yōu)化問題來解決曲線擬合問題。

舉例說明，給一些點，找到一條線，來擬合這些點。

先給定一些點：N = 50 # 點的個數(shù)m_true = 2 # 斜率b_true = -1 # 截距dy = 2.0 # 誤差np.random.seed(0)xdata = 10 * np.random.random(N) # 50 個 x，服從均勻分布ydata = np.random.normal(b_true + m_true * xdata, dy) # dy 是標(biāo)準(zhǔn)差plt.errorbar(xdata, ydata, dy, fmt='.k', ecolor='lightgray');

上面的點整體上呈現(xiàn)一個線性關(guān)系，要找到一條斜線來代表這些點，這就是經(jīng)典的一元線性回歸。目標(biāo)就是找到最好的線，使點和線的距離最短。要優(yōu)化的函數(shù)是點和線之間的距離，使其最小。點是確定的，而線是可變的，線是由參數(shù)值，斜率和截距決定的，這里就是要通過優(yōu)化距離找到最優(yōu)的斜率和截距。

點和線的距離定義如下：def chi2(theta, x, y): return np.sum(((y - theta[0] - theta[1] * x)) ** 2)

上式就是誤差平方和。

誤差平方和是什么？有什么作用？

誤差平方和公式為：

誤差平方和大，表示真實的點和預(yù)測的線之間距離太遠，說明擬合得不好，最好的線，應(yīng)該是使誤差平方和最小，即最優(yōu)的擬合線，這里是條直線。

誤差平方和就是要最小化的目標(biāo)函數(shù)。

找到最優(yōu)的函數(shù)，即斜率和截距。theta_guess = [0, 1] # 初始值theta_best = opt.minimize(chi2, theta_guess, args=(xdata, ydata)).xprint(theta_best)[-1.01442005 1.93854656]

上面兩個輸出即是預(yù)測的直線斜率和截距，我們是根據(jù)點來反推直線的斜率和截距，那么真實的斜率和截距是多少呢？-1 和 2，很接近了，差的一點是因為有噪音的引入。xfit = np.linspace(0, 10)yfit = theta_best[0] + theta_best[1] * xfitplt.errorbar(xdata, ydata, dy, fmt='.k', ecolor='lightgray');plt.plot(xfit, yfit, '-k');

最小二乘（Least Square）是什么？

上面用的是 minimize 方法，這個問題的目標(biāo)函數(shù)是誤差平方和，這就又有一個特定的解法，即最小二乘。

最小二乘的思想就是要使得觀測點和估計點的距離的平方和達到最小，這里的“二乘”指的是用平方來度量觀測點與估計點的遠近（在古漢語中“平方”稱為“二乘”），“最小”指的是參數(shù)的估計值要保證各個觀測點與估計點的距離的平方和達到最小。

關(guān)于最小二乘估計的計算，涉及更多的數(shù)學(xué)知識，這里不想詳述，其一般的過程是用目標(biāo)函數(shù)對各參數(shù)求偏導(dǎo)數(shù)，并令其等于 0，得到一個線性方程組。具體推導(dǎo)過程可參考斯坦福機器學(xué)習(xí)講義 第 7 頁。def deviations(theta, x, y): return (y - theta[0] - theta[1] * x)theta_best, ier = opt.leastsq(deviations, theta_guess, args=(xdata, ydata))print(theta_best)[-1.01442016 1.93854659]

最小二乘 leastsq 的結(jié)果跟 minimize 結(jié)果一樣。注意 leastsq 的第一個參數(shù)不再是誤差平方和 chi2，而是誤差本身 deviations，即沒有平方，也沒有和。yfit = theta_best[0] + theta_best[1] * xfitplt.errorbar(xdata, ydata, dy, fmt='.k', ecolor='lightgray');plt.plot(xfit, yfit, '-k');

非線性最小二乘

上面是給一些點，擬合一條直線，擬合一條曲線也是一樣的。def f(x, beta0, beta1, beta2): # 首先定義一個非線性函數(shù)，有 3 個參數(shù) return beta0 + beta1 * np.exp(-beta2 * x**2)beta = (0.25, 0.75, 0.5) # 先猜 3 個 betaxdata = np.linspace(0, 5, 50)y = f(xdata, *beta)ydata = y + 0.05 * np.random.randn(len(xdata)) # 給 y 加噪音def g(beta): return ydata - f(xdata, *beta) # 真實 y 和 預(yù)測值的差，求最優(yōu)曲線時要用到beta_start = (1, 1, 1)beta_opt, beta_cov = opt.leastsq(g, beta_start)print beta_opt # 求到的 3 個最優(yōu)的 beta 值[ 0.25525709 0.74270226 0.54966466]

拿估計的 beta_opt 值跟真實的 beta = (0.25, 0.75, 0.5) 值比較，差不多。fig, ax = plt.subplots()ax.scatter(xdata, ydata) # 畫點ax.plot(xdata, y, 'r', lw=2) # 真實值的線ax.plot(xdata, f(xdata, *beta_opt), 'b', lw=2) # 擬合的線ax.set_xlim(0, 5)ax.set_xlabel(r"$x$", fontsize=18)ax.set_ylabel(r"$f(x, \beta)$", fontsize=18)fig.tight_layout()

除了使用最小二乘，還可以使用曲線擬合的方法，得到的結(jié)果是一樣的。beta_opt, beta_cov = opt.curve_fit(f, xdata, ydata)print beta_opt[ 0.25525709 0.74270226 0.54966466]

有約束的最小化

有約束的最小化是指，要求函數(shù)最小化之外，還要滿足約束條件，舉例說明。

邊界約束def f(X): x, y = X return (x-1)**2 + (y-1)**2 # 這是一個碗狀的函數(shù)x_opt = opt.minimize(f, (0, 0), method='BFGS').x # 無約束最優(yōu)化

假設(shè)有約束條件，x 和 y 要在一定的范圍內(nèi)，如 x 在 2 到 3 之間，y 在 0 和 2 之間。bnd_x1, bnd_x2 = (2, 3), (0, 2) # 對自變量的約束x_cons_opt = opt.minimize(f, np.array([0, 0]), method='L-BFGS-B', bounds=[bnd_x1, bnd_x2]).x # bounds 矩形約束fig, ax = plt.subplots(figsize=(6, 4))x_ = y_ = np.linspace(-1, 3, 100)X, Y = np.meshgrid(x_, y_)c = ax.contour(X, Y, f((X,Y)), 50)ax.plot(x_opt[0], x_opt[1], 'b*', markersize=15) # 沒有約束下的最小值，藍色五角星ax.plot(x_cons_opt[0], x_cons_opt[1], 'r*', markersize=15) # 有約束下的最小值，紅色星星bound_rect = plt.Rectangle((bnd_x1[0], bnd_x2[0]), bnd_x1[1] - bnd_x1[0], bnd_x2[1] - bnd_x2[0], facecolor="grey")ax.add_patch(bound_rect)ax.set_xlabel(r"$x_1$", fontsize=18)ax.set_ylabel(r"$x_2$", fontsize=18)plt.colorbar(c, ax=ax)fig.tight_layout()

不等式約束

介紹下相關(guān)理論，先來看下存在等式約束的極值問題求法，比如下面的優(yōu)化問題。

目標(biāo)函數(shù)是 f(w)，下面是等式約束，通常解法是引入拉格朗日算子，這里使用 ββ 來表示算子，得到拉格朗日公式為

l 是等式約束的個數(shù)。

然后分別對 w 和ββ 求偏導(dǎo)，使得偏導(dǎo)數(shù)等于 0，然后解出 w 和βiβi，至于為什么引入拉格朗日算子可以求出極值，原因是 f(w) 的 dw 變化方向受其他不等式的約束，dw的變化方向與f(w)的梯度垂直時才能獲得極值，而且在極值處，f(w) 的梯度與其他等式梯度的線性組合平行，因此他們之間存在線性關(guān)系。（參考《最優(yōu)化與KKT條件》）

對于不等式約束的極值問題

常常利用拉格朗日對偶性將原始問題轉(zhuǎn)換為對偶問題，通過解對偶問題而得到原始問題的解。該方法應(yīng)用在許多統(tǒng)計學(xué)習(xí)方法中。有興趣的可以參閱相關(guān)資料，這里不再贅述。def f(X): return (X[0] - 1)**2 + (X[1] - 1)**2def g(X): return X[1] - 1.75 - (X[0] - 0.75)**4x_opt = opt.minimize(f, (0, 0), method='BFGS').xconstraints = [dict(type='ineq', fun=g)] # 約束采用字典定義，約束方式為不等式約束，邊界用 g 表示x_cons_opt = opt.minimize(f, (0, 0), method='SLSQP', constraints=constraints).xfig, ax = plt.subplots(figsize=(6, 4))x_ = y_ = np.linspace(-1, 3, 100)X, Y = np.meshgrid(x_, y_)c = ax.contour(X, Y, f((X, Y)), 50)ax.plot(x_opt[0], x_opt[1], 'b*', markersize=15) # 藍色星星，沒有約束下的最小值ax.plot(x_, 1.75 + (x_-0.75)**4, '', markersize=15)ax.fill_between(x_, 1.75 + (x_-0.75)**4, 3, color="grey")ax.plot(x_cons_opt[0], x_cons_opt[1], 'r*', markersize=15) # 在區(qū)域約束下的最小值ax.set_ylim(-1, 3)ax.set_xlabel(r"$x_0$", fontsize=18)ax.set_ylabel(r"$x_1$", fontsize=18)plt.colorbar(c, ax=ax)fig.tight_layout()

scipy.optimize.minimize 中包括了多種最優(yōu)化算法，每種算法使用范圍不同，詳細參考官方文檔。

如何提高python的運行效率

竅門一：關(guān)鍵代碼使用外部功能包

Python簡化了許多編程任務(wù)，但是對于一些時間敏感的任務(wù)，它的表現(xiàn)經(jīng)常不盡人意。使用C/C++或機器語言的外部功能包處理時間敏感任務(wù)，可以有效提高應(yīng)用的運行效率。這些功能包往往依附于特定的平臺，因此你要根據(jù)自己所用的平臺選擇合適的功能包。簡而言之，這個竅門要你犧牲應(yīng)用的可移植性以換取只有通過對底層主機的直接編程才能獲得的運行效率。以下是一些你可以選擇用來提升效率的功能包：

Cython

Pylnlne

PyPy

Pyrex

這些功能包的用處各有不同。比如說，使用C語言的數(shù)據(jù)類型，可以使涉及內(nèi)存操作的任務(wù)更高效或者更直觀。Pyrex就能幫助Python延展出這樣的功能。Pylnline能使你在Python應(yīng)用中直接使用C代碼。內(nèi)聯(lián)代碼是獨立編譯的，但是它把所有編譯文件都保存在某處，并能充分利用C語言提供的高效率。

竅門二：在排序時使用鍵

Python含有許多古老的排序規(guī)則，這些規(guī)則在你創(chuàng)建定制的排序方法時會占用很多時間，而這些排序方法運行時也會拖延程序?qū)嶋H的運行速度。最佳的排序方法其實是盡可能多地使用鍵和內(nèi)置的sort()方法。譬如，拿下面的代碼來說：

import operator

somelist = [(1, 5,?, (6, 2, 4), (9, 7, 5)]

somelist.sort(key=operator.itemgetter(0))

somelist

#Output = [(1, 5,?, (6, 2, 4), (9, 7, 5)]

somelist.sort(key=operator.itemgetter(1))

somelist

#Output = [(6, 2, 4), (1, 5,?, (9, 7, 5)]

somelist.sort(key=operator.itemgetter(2))

somelist

#Output = [(6, 2, 4), (9, 7, 5), (1, 5,?]

在每段例子里，list都是根據(jù)你選擇的用作關(guān)鍵參數(shù)的索引進行排序的。這個方法不僅對數(shù)值類型有效，還同樣適用于字符串類型。

竅門三：針對循環(huán)的優(yōu)化

每一種編程語言都強調(diào)最優(yōu)化的循環(huán)方案。當(dāng)使用Python時，你可以借助豐富的技巧讓循環(huán)程序跑得更快。然而，開發(fā)者們經(jīng)常遺忘的一個技巧是：盡量避免在循環(huán)中訪問變量的屬性。譬如，拿下面的代碼來說：

lowerlist = ['this', 'is', 'lowercase']

upper = str.upper

upperlist = []

append = upperlist.append

for word in lowerlist:

append(upper(word))

print(upperlist)

#Output = ['THIS', 'IS', 'LOWERCASE']

每次你調(diào)用str.upper, Python都會計算這個式子的值。然而，如果你把這個求值賦值給一個變量，那么求值的結(jié)果就能提前知道，Python程序就能運行得更快。因此，關(guān)鍵就是盡可能減小Python在循環(huán)中的工作量。因為Python解釋執(zhí)行的特性，在上面的例子中會大大減慢它的速度。

（注意：優(yōu)化循環(huán)的方法還有很多，這只是其中之一。比如，很多程序員會認為，列表推導(dǎo)式是提高循環(huán)速度的最佳方法。關(guān)鍵在于，優(yōu)化循環(huán)方案是提高應(yīng)用程序運行速度的上佳選擇。）

竅門四：使用較新的Python版本

如果你在網(wǎng)上搜索Python，你會發(fā)現(xiàn)數(shù)不盡的信息都是關(guān)于如何升級Python版本。通常，每個版本的Python都會包含優(yōu)化內(nèi)容，使其運行速度優(yōu)于之前的版本。但是，限制因素在于，你最喜歡的函數(shù)庫有沒有同步更新支持新的Python版本。與其爭論函數(shù)庫是否應(yīng)該更新，關(guān)鍵在于新的Python版本是否足夠高效來支持這一更新。

你要保證自己的代碼在新版本里還能運行。你需要使用新的函數(shù)庫才能體驗新的Python版本，然后你需要在做出關(guān)鍵性的改動時檢查自己的應(yīng)用。只有當(dāng)你完成必要的修正之后，你才能體會新版本的不同。

然而，如果你只是確保自己的應(yīng)用在新版本中可以運行，你很可能會錯過新版本提供的新特性。一旦你決定更新，請分析你的應(yīng)用在新版本下的表現(xiàn)，并檢查可能出問題的部分，然后優(yōu)先針對這些部分應(yīng)用新版本的特性。只有這樣，用戶才能在更新之初就覺察到應(yīng)用性能的改觀。

竅門五：嘗試多種編碼方法

每次創(chuàng)建應(yīng)用時都使用同一種編碼方法幾乎無一例外會導(dǎo)致應(yīng)用的運行效率不盡人意。可以在程序分析時嘗試一些試驗性的辦法。譬如說，在處理字典中的數(shù)據(jù)項時，你既可以使用安全的方法，先確保數(shù)據(jù)項已經(jīng)存在再進行更新，也可以直接對數(shù)據(jù)項進行更新，把不存在的數(shù)據(jù)項作為特例分開處理。請看下面第一段代碼：

n = 16

myDict = {}

for i in range(0, n):

char = 'abcd'[i%4]

if char not in myDict:

myDict[char] = 0

myDict[char] += 1

print(myDict)

當(dāng)一開始myDict為空時，這段代碼會跑得比較快。然而，通常情況下，myDict填滿了數(shù)據(jù)，至少填有大部分數(shù)據(jù)，這時換另一種方法會更有效率。

n = 16

myDict = {}

for i in range(0, n):

char = 'abcd'[i%4]

try:

myDict[char] += 1

except KeyError:

myDict[char] = 1

print(myDict)

在兩種方法中輸出結(jié)果都是一樣的。區(qū)別在于輸出是如何獲得的。跳出常規(guī)的思維模式，創(chuàng)建新的編程技巧能使你的應(yīng)用更有效率。

竅門六：交叉編譯你的應(yīng)用

開發(fā)者有時會忘記計算機其實并不理解用來創(chuàng)建現(xiàn)代應(yīng)用程序的編程語言。計算機理解的是機器語言。為了運行你的應(yīng)用，你借助一個應(yīng)用將你所編的人類可讀的代碼轉(zhuǎn)換成機器可讀的代碼。有時，你用一種諸如Python這樣的語言編寫應(yīng)用，再以C++這樣的語言運行你的應(yīng)用，這在運行的角度來說，是可行的。關(guān)鍵在于，你想你的應(yīng)用完成什么事情，而你的主機系統(tǒng)能提供什么樣的資源。

Nuitka是一款有趣的交叉編譯器，能將你的Python代碼轉(zhuǎn)化成C++代碼。這樣，你就可以在native模式下執(zhí)行自己的應(yīng)用，而無需依賴于解釋器程序。你會發(fā)現(xiàn)自己的應(yīng)用運行效率有了較大的提高，但是這會因平臺和任務(wù)的差異而有所不同。

（注意：Nuitka現(xiàn)在還處在測試階段，所以在實際應(yīng)用中請多加注意。實際上，當(dāng)下最好還是把它用于實驗。此外，關(guān)于交叉編譯是否為提高運行效率的最佳方法還存在討論的空間。開發(fā)者已經(jīng)使用交叉編譯多年，用來提高應(yīng)用的速度。記住，每一種解決辦法都有利有弊，在把它用于生產(chǎn)環(huán)境之前請仔細權(quán)衡。）

在使用交叉編譯器時，記得確保它支持你所用的Python版本。Nuitka支持Python2.6, 2.7, 3.2和3.3。為了讓解決方案生效，你需要一個Python解釋器和一個C++編譯器。Nuitka支持許多C++編譯器，其中包括Microsoft Visual Studio,MinGW 和 Clang/LLVM。

交叉編譯可能造成一些嚴(yán)重問題。比如，在使用Nuitka時，你會發(fā)現(xiàn)即便是一個小程序也會消耗巨大的驅(qū)動空間。因為Nuitka借助一系列的動態(tài)鏈接庫（DDLs）來執(zhí)行Python的功能。因此，如果你用的是一個資源很有限的系統(tǒng)，這種方法或許不太可行。

#Python干貨#python實現(xiàn)——最優(yōu)化算法

函數(shù)詳見rres，此代碼使該算法運行了兩次

收獲：

這是我第一個實現(xiàn)的代碼。學(xué)習(xí)完該算法以后，邏輯框架基本上就有了，剩下需要明確的就是對應(yīng)的python的語言。于是我就開始了查找“如何定義函數(shù)”（詳見mofan的優(yōu)酷），“循環(huán)體”和“if條件語句”的格式（）“數(shù)學(xué)符號”（詳見mofan的優(yōu)酷），以及print的使用

1.def是python中指定義，一般用來定義函數(shù)，如果需要深度學(xué)習(xí)搭建網(wǎng)絡(luò)可用來定義網(wǎng)絡(luò)。值得注意的一點是

我不清楚為什么，但是如果沒有加的話，那個函數(shù)公式就是一個花瓶，就像一個結(jié)果輸不出去。

2.最坑的就是邏輯。一開始邏輯沒理清楚，或者說在代碼上有疏漏，導(dǎo)致我將left和right放在了循環(huán)體里，結(jié)果可想而知。不過也是因為這個錯誤，我知道pycharm中的debug怎么用，挺簡單的，百度一下就出來了。

3.不知道什么原因，看的莫煩視頻中的print多個變量一起輸出是沒有辦法在我的pycharm中使用的，出來的結(jié)果很奇怪。可能是因為我是win10不是ios吧。print如果多個變量一起輸出必須是print("名字：%s,名字2：%s"%(a,b))結(jié)果輸出就是名字：a ,名字2：b

關(guān)于python中數(shù)據(jù)變量。第一遍運行結(jié)果出現(xiàn)很明顯不對，于是我采用了debug。結(jié)果發(fā)現(xiàn)，mid1處一直為1而不是1.5，于是就開始了解數(shù)據(jù)變量。起初我猜測python默認所有變量為整型，但是根據(jù)二分法的結(jié)果我意識到此猜測不對，所以要改整個file的變量格式?jīng)]有必要。所以我就在mid1式子前面加了一個float，結(jié)果就顯示為1.5了。但是如果我將整個式子用（）括起來，前面加float，結(jié)果還是1。我不太理解為什么。不過我知道了python的數(shù)據(jù)格式是根據(jù)輸入量決定的，也就是說你的輸入量如果是整型，那么與其直接相關(guān)的計算輸出結(jié)果一定是整型，而且還是不采用進位的整型。在我沒有采用+float/+.0這兩種方法之前，mid1~3全部是整型。

或者不再mid1前面加float,直接將輸入量后面點個點就行

真的很想吐槽一下print,好麻煩啊啊啊啊每次都得弄個%s,而且有時候還不能放一起！！！！

不要問我掌握了什么，要問我現(xiàn)在寫完這個代碼后有多么的愛python的精度表示 :-)我決定以后只要再編寫數(shù)學(xué)公式的代碼都將輸入量的小數(shù)學(xué)點后面補很多0

fibonacci函數(shù)定義，每次debug后我的手都是抖的O( _ )O~

不知道自己什么時候有的強迫癥，只要是代碼下面有“~”我就必須要消掉。笑哭。這個很簡單，前四個除了費波納茨，都很簡單。

這個公式看起來很麻煩，便寫的時候更要謹慎。我上回把那個2擱在了分號下面，結(jié)果很大，所以還是換算成0.5更好（PS：勿忘那長河般的0）。

雖然代碼很長，但是主要是因為print太多。本打算在開頭print，最后結(jié)果會漏掉最后一部分。懶得想其他辦法了，直接就這樣吧

一開始while里面寫成了,導(dǎo)致run不出來。繼而，debug也沒法用。在網(wǎng)上一查才知道 “沒聯(lián)網(wǎng)”+“沒選斷點”。最后想嘗試將else里面的內(nèi)容輸出來，結(jié)果發(fā)現(xiàn)run以后被刷屏了。于是改成i7以后還是不行，于是想著加一個break跳出循環(huán)，結(jié)果成效了。

然后剛剛由debug了一下，才知道原來是i+1在if里面，因為沒有辦法+1，所以i=6一直存在，就不斷循環(huán)。因為加break也好，i+1也好，都可以。

這是我第一組自己實現(xiàn)的python代碼，就是數(shù)學(xué)公式用python語言組裝起來。剛開始的時候知道大概需要在語言中體現(xiàn)什么，但不太清楚。于是我就在網(wǎng)上找了幾個二分法的，他們都各有不同，但框架都差不多，不過如果要用到我們的那個公式里還需要改變很多。然后我就開始分析我們的題，我發(fā)現(xiàn)大體需要兩部分，一部分函數(shù)定義，一部分循環(huán)體。但我不知道如何定義函數(shù)，如何寫數(shù)學(xué)公式，如何弄變量，也就是說一些小點不太會，所以我選擇直接百度。因為我知道自己閱讀的能力不錯，相比于從視頻中提取要素，我更擅長通過閱讀獲得要點。有目的性地找知識點，掌握地更牢固。

于是我就開始了第一個——二分法的編寫。我發(fā)現(xiàn)，自己出現(xiàn)了很多錯誤而且有很多地方都很基礎(chǔ)。但我依然沒選擇視頻，而是將這些問題直接在百度上找，因為視頻講完或許你也沒找到點。當(dāng)然，這是一步一步走的，不是直接就將程序擺上去，一點一點改。

隨著前兩個的成功，我發(fā)現(xiàn)自己對于這些代碼有了自信，似乎看透了他們的偽裝，抓住了本質(zhì)。除此之外，我還意識到自己自從8月份以后，學(xué)習(xí)能力似乎提高了不少，而且有了更為有效的學(xué)習(xí)方法。各方面都有了一定的覺醒。除了第一個找了幾個牛頭不對馬嘴的代碼，其他都是根據(jù)自己的邏輯寫，邏輯通下來以后，對應(yīng)語言中某一部分不知道如何翻譯就去百度，其實這幾個套路都一樣或者說數(shù)學(xué)公式轉(zhuǎn)化的套路都一樣。

我還意識到，匯編其實是最難的語言，目前為止所學(xué)到的，因為很多都需要自己去定義，去死摳，需要記住大量的指令且不能靈活變通。但是其他的卻只需要將一些對應(yīng)的記下來就好。python真的挺簡單的。而且，我發(fā)現(xiàn)自己今天似乎打開了新世界的大門，我愛上了這種充滿了靈性的東西，充滿了嚴(yán)謹?shù)拿利悾€有那未知的變化，我發(fā)現(xiàn)我似乎愛上了代碼。可能不僅僅局限于python，這些語言都充滿了挑戰(zhàn)性。我覺得當(dāng)你疑惑的時候，就需要相信直覺，至少我發(fā)現(xiàn)它很準(zhǔn)

本文題目：python函數(shù)最優(yōu)化 python性能優(yōu)化
轉(zhuǎn)載源于：http://www.yijiale78.com/article32/dooeosc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站導(dǎo)航、網(wǎng)站排名、網(wǎng)站策劃、營銷型網(wǎng)站建設(shè)、商城網(wǎng)站、面包屑導(dǎo)航

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)