为什么 Python 代码在函数中运行得更快

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。