优化 Python 运行速度的 5 个关键技巧

运行结果显示，构建列表需要逐个加载常量并执行 BUILD_LIST 指令，而构建元组只需一次性加载常量元组并执行 STORE_FAST。这意味着在只读数据场景下，优先使用元组能减少字节码指令数量，提升检索速度。

2. 善用强大的内置函数和第三方库

Python 拥有大量经过 C 语言优化的内置函数和标准库。如果手动编写基础逻辑（如字符串拼接、数学运算），不仅代码冗长，且运行效率远低于内置实现。

字符串拼接示例 在循环中频繁使用 += 拼接字符串会导致创建大量临时字符串对象，消耗额外内存和时间。推荐使用 join() 方法。

@timeshow
def f1(list_data):
    s = ""
    for substring in list_data:
        s += substring
    return s

@timeshow
def f2(list_data):
    s = "".join(list_data)
    return s

l = ["I", "Love", "Python"] * 1000
f1(l)
f2(l)

测试表明，join() 方法的执行时间通常仅为普通循环拼接的几分之一。这是因为 join() 会预先计算所需内存空间，一次性完成分配，避免了多次内存重分配。

3. 少用显式循环

Python 中的 for 循环在解释层执行，开销较大。利用列表推导式、生成器表达式或内置高阶函数（如 filter, map）可以将部分逻辑下沉到 C 层执行，从而加速。

获取能被 7 整除的数字

# ❌ 普通循环
@timeshow
def f_loop(n): 
    L = []
    for i in range(n):
        if i % 7 == 0:
            L.append(i)
    return L

# ✅ 列表推导式
@timeshow
def f_list(n):
    L = [i for i in range(n) if i % 7 == 0]
    return L

# ✅ 迭代器
@timeshow
def f_iter(n):
    L = (i for i in range(n) if i % 7 == 0)
    return L

# ✅ 过滤器
@timeshow
def f_filter(n):
    L = filter(lambda x: x % 7 == 0, range(n))
    return L

# ✅ 精确控制循环次数
@timeshow
def f_mind(n):
    L = (i*7 for i in range(n//7))
    return L

n = 1_000_000
f_loop(n)
f_list(n)
f_iter(n)
f_filter(n)
f_mind(n)

实验数据显示，列表推导式比普通循环快约 30%，而生成器和过滤器在处理大数据集时优势更为明显，因为它们实现了惰性求值，无需一次性加载所有结果到内存。

4. 避免循环重复计算

在循环内部进行耗时操作（如正则匹配、文件 IO、网络请求）是常见的性能陷阱。应将可复用的计算结果提取到循环外部。

正则表达式预编译 每次调用 re.search 都会重新解析模式字符串。正确的做法是使用 re.compile 预编译正则对象。

# ❌ 应避免的方式
@timeshow
def f_more(s):
    import re
    for i in s:
        m = re.search(r'a*[a-z]?c', i)

# ✅ 更好的方式
@timeshow
def f_less(s):
    import re
    regex = re.compile(r'a*[a-z]?c')
    for i in s:
        m = regex.search(i)

s = ["abctestabc"] * 1_000
f_more(s)
f_less(s)

预编译正则对象将解析过程移至循环外，仅保留匹配过程，大幅减少了 CPU 周期消耗。

5. 减少内存占用与变量作用域管理

Python 访问局部变量的速度远快于全局变量。这是因为全局变量查找涉及作用域链遍历（LEGB 规则），而局部变量直接通过栈帧索引访问。

局部变量优化

# ❌ 应该避免的方式：全局变量
message = "Line1\n"
message += "Line2\n"
message += "Line3\n"

x = 5
y = 6 
def add_global():
    return x + y

# ✅ 更好的方式：局部变量
l = ["Line1", "Line2", "Line3"]
message = '\n'.join(l)

def add_local():
    x = 5
    y = 6
    return x + y

此外，应尽量减少不必要的对象创建。例如，使用列表推导式替代 append 循环，或使用生成器替代大列表，以降低内存峰值，减少垃圾回收（GC）压力。

6. 性能分析与工具推荐

在进行优化前，准确的性能分析至关重要。Python 提供了多种工具来定位瓶颈：

• timeit 模块：专门用于测量小段代码的执行时间，自动处理多次运行取平均值。
• cProfile 模块：提供详细的函数调用统计，帮助识别热点函数。
• line_profiler：逐行分析代码执行时间。

示例：

import timeit

timeit.timeit('sum(range(1000))', number=10000)

总结

优化 Python 代码性能并非一蹴而就，而是需要结合具体场景选择合适的策略。核心原则包括：优先使用内置函数、减少循环开销、预编译重复资源、以及合理管理变量作用域。通过上述技巧，开发者可以在不改变语言特性的前提下，显著提升程序运行效率，降低资源消耗。在实际开发中，建议先通过性能分析工具定位瓶颈，再进行针对性优化，避免过早优化带来的维护成本增加。