Python 程序性能优化的 7 个关键习惯

2.3 导入优化

当需要频繁使用某个模块中的特定函数或对象时，建议使用 from X import Y 语法，而不是 import X; X.Y。前者减少了名称解析的层级，后者需要在运行时先查找模块 X，再在 X 的命名空间中查找 Y。

3. 采用映射结构替代条件分支

在 Python 中，字典（dict）基于哈希表实现，平均查找复杂度为 O(1)。相比之下，多层 if-elif-else 语句是线性查找，复杂度为 O(n)。当需要根据多个固定键值进行映射时，使用字典通常比条件语句更高效。

value = 2

# 不推荐：随着条件增多，性能下降明显
if value == 1:
    result = 10
elif value == 2:
    result = 20
elif value == 3:
    result = 30
else:
    result = 0

# 推荐：字典查找速度快，代码更简洁
mapping = {1: 10, 2: 20, 3: 30}
result = mapping.get(value, 0)

4. 直接迭代序列元素

对于列表、元组、字符串等序列类型，直接迭代元素比通过索引访问元素更快。这是因为直接迭代利用了迭代器协议，避免了索引运算和边界检查的开销。

items = [1, 2, 3, 4, 5]

# 推荐：直接迭代
for item in items:
    print(item)

# 不推荐：需要维护索引，增加额外开销
for i in range(len(items)):
    print(items[i])

5. 采用生成器表达式替代列表解析

列表解析（List Comprehension）会立即构建整个列表对象，占用内存空间。而生成器表达式（Generator Expression）返回一个生成器对象，采用惰性求值（Lazy Evaluation），仅在需要时产生下一个值。

在处理大规模数据时，生成器表达式能显著降低内存峰值，避免内存溢出。

# 文件 f 模拟包含大量文本
f = open('large_file.txt', 'r')

# 列表解析：一次性加载所有结果到内存
l_list = sum([len(word) for line in f for word in line.split()])

# 生成器表达式：逐个处理，节省内存
l_gen = sum(len(word) for line in f for word in line.split())

6. 预编译代码对象与正则表达式

在执行动态代码（如 eval, exec）或进行正则匹配时，重复编译过程会消耗大量 CPU 时间。最佳实践是将代码或模式提前编译成字节码对象或正则对象。

6.1 代码编译

import dis

# 不推荐：每次调用都重新编译
def run_code():
    exec("print('Hello')")

# 推荐：只编译一次
code_obj = compile("print('Hello')", '<string>', 'exec')
def run_code_optimized():
    exec(code_obj)

6.2 正则编译

import re

# 不推荐：每次匹配都重新编译模式
pattern = re.compile(r'\d+')

# 推荐：复用 compiled object
match = pattern.search('abc123def')

7. 规范的模块编程习惯

Python 模块在被导入时，顶层代码（无缩进的代码）会自动执行。这可能导致不必要的副作用或初始化开销。

最佳实践：

• 将模块的主要功能封装在函数中。
• 使用 if __name__ == "__main__": 保护测试代码或入口逻辑。
• 确保模块作为库导入时不会自动运行主程序逻辑。

# module.py

def main():
    print("Running as script")

def helper():
    return "Helper function"

if __name__ == "__main__":
    main()

这样，当其他模块 import module 时，只会加载定义，不会触发 main() 函数的执行。

补充：性能分析工具

除了遵循上述编码习惯，使用专业的性能分析工具也是定位瓶颈的关键步骤。

• cProfile: Python 标准库自带的性能分析器，可统计函数调用次数和执行时间。
• line_profiler: 逐行分析代码执行耗时，适合定位具体热点行。
• memory_profiler: 监控内存使用情况，帮助发现内存泄漏或过度分配。

总结

Python 程序的性能优化是一个系统工程，既依赖于对语言底层机制的理解，也离不开良好的编码规范。通过优先使用局部变量、减少函数调用、利用映射结构、采用生成器、预编译对象以及规范模块结构，开发者可以在不改变业务逻辑的前提下显著提升程序效率。结合性能分析工具持续监控，能够构建出更加健壮、高效的 Python 应用。