为什么 Python 代码在函数中运行得更快
当谈到编程效率和性能优化时，Python 常常被调侃为'慢如蜗牛'。有趣的是，在实际开发中发现，Python 代码在函数内部运行往往比在全局范围内（脚本顶层）运行要快得多。很多开发者可能会疑惑：为什么在函数中运行的 Python 代码速度更快？
Python 执行机制简述
要理解这一现象，首先需要了解 Python 是如何执行代码的。Python 是一种解释型语言，它会逐行读取并执行代码。当运行一个 Python 程序时，首先将源代码编译成字节码（一种更接近机器码的中间语言），然后 Python 解释器执行这些字节码。
需要注意的是，Python 解释器是一个执行字节码的虚拟机。默认的 Python 解释器是 CPython，它是用 C 编写的。此外还有 Jython（用 Java 编写）、IronPython（用于 .NET）和 PyPy（用 Python 和 C 编写）等其他实现。
Python 中的 dis 模块可以将函数分解为字节码指令，帮助我们查看底层执行细节。
局部变量与全局变量的存储差异
我们来通过一个简单的例子来对比。定义一个函数 my_function，函数内部包含一个 for 循环。
def my_function():
for i in range(100):
pass
编译该函数时，生成的字节码中包含关键指令 STORE_FAST，用于存储循环变量 i。这表示变量存储在局部作用域的快速数组中。
现在，我们将同样的 for 循环放在 Python 脚本的顶层（全局范围内）：
for i in range(100):
pass
再次查看其字节码，可以看到关键指令变成了 STORE_NAME，而不是 STORE_FAST。
核心原因分析
字节码 STORE_FAST 比 STORE_NAME 快，原因在于变量存储机制的不同：
- 局部变量：在函数中，局部变量存储在固定长度的数组中。这个数组可以通过索引直接访问，使得变量检索非常快。本质上，它只是一个指向列表的指针，并增加了 PyObject 的引用计数，这两个都是高效的操作。
- 全局变量：全局变量存储在一个字典（哈希表）中。当访问全局变量时，Python 必须执行哈希表查找，这涉及计算哈希值，然后检索与之关联的值。虽然经过优化，但仍然比基于索引的查找慢。
因此，减少全局变量的使用，尽量使用局部变量，是提升 Python 代码性能的关键策略之一。
基准测试验证
为了量化这种差异，我们可以使用 Python 内置的 timeit 模块对代码进行计时。
函数内执行
def factorial(n):
result = 1
for i in range(1, n + 1):
result *= i
return result
print(timeit.timeit('factorial(10)', setup='from __main__ import factorial', number=10000))
全局范围执行
result = 1
for i in range(1, 11):
result *= i
print(timeit.timeit('result', 'from __main__ import result', number=10000))
注意：这两段代码最好不要放在同一脚本中同时运行，因为
benchmark()函数在执行时间上增加了一些开销，且全局代码在内部进行了特定优化。分开单独运行更能反映真实差异。
测试结果通常显示，函数代码的执行速度明显优于全局作用域代码。
cProfile 性能分析
Python 提供了一个 cProfile 内置模块，用于分析代码的性能瓶颈。
让我们用它来分析一个新例子：在局部和全局范围内计算平方和。
# 局部版本
def sum_of_squares_local(n):
total = 0
for i in range(n):
total += i * i
return total
# 全局版本
total = 0
for i in range(1000):
total += i * i
从性能分析结果中可以看到，函数代码在执行时间方面比全局代码更有效，主要消耗在函数调用开销上，但变量访问开销显著降低。
如何优化 Python 函数的性能
既然我们知道 Python 代码在函数中运行往往比在全局范围内运行要快得多，那么如何进一步优化呢？
1. 优先使用局部变量
避免在循环中使用全局变量。如果必须在循环中使用某个值，请将其赋值给局部变量。
# 不推荐：每次循环都查找全局变量
data = [1, 2, 3]
for item in data:
print(item)
# 推荐：使用局部变量
def process_data():
local_data = [1, 2, 3]
for item in local_data:
print(item)
2. 使用内置函数和库
尽可能使用内置函数和标准库。Python 的许多内置函数是用 C 实现的，比纯 Python 代码快得多。
- NumPy 和 Pandas：这些库底层使用 C 或 C++ 实现，处理数值运算和数据操作的速度远超原生 Python 列表。
- 内置函数：同样是实现数字求和功能，Python 内置的
sum函数要比自己编写循环速度快得多。
# 推荐
numbers = [1, 2, 3, 4, 5]
print(sum(numbers))
# 不推荐
print(sum([x for x in numbers])) # 额外生成列表
3. 避免不必要的属性查找
在类方法或函数中，频繁访问对象属性也会带来开销。可以将常用属性缓存到局部变量中。
总结
Python 代码在函数中运行更快的根本原因在于变量查找机制的差异：局部变量通过数组索引快速访问，而全局变量需要通过哈希表查找。通过遵循最佳实践，如封装代码到函数、使用局部变量以及利用高性能的内置库，可以显著提升 Python 程序的执行效率。
