Python性能优化：加速程序运行的技巧 = 飞龙博客

Python性能优化：加速程序运行的技巧

(48) feilong.org 修订于2026-07-19 17:40:38 python教程

什么是Python性能优化？
Python作为解释型语言，其执行效率通常低于编译型语言。但通过合理的技术手段，可以显著提升程序运行速度。本文将从代码结构、内置函数使用、内存管理等角度，系统性地解析Python性能优化的实践方法。

核心优化策略

1. 减少冗余计算
避免在循环中重复计算固定值，可将常量提取至循环外部。

低效写法  
result = []  
for i in range(1000):  
    result.append(i * 2 + 5)  

高效写法  
factor = 2  
offset = 5  
result = [i * factor + offset for i in range(1000)]

低效写法

result = []

for i in range(1000):

result.append(i * 2 + 5)

高效写法

factor = 2

offset = 5

result = [i * factor + offset for i in range(1000)]

原理：减少循环内的计算次数，降低CPU负载。

2. 利用内置函数与库
Python标准库中的map()、filter()等函数比显式循环更高效。

显式循环  
squares = []  
for x in range(1000):  
    squares.append(x**2)  

使用map  
squares = list(map(lambda x: x**2, range(1000)))

显式循环

squares = []

for x in range(1000):

squares.append(x**2)

使用map

squares = list(map(lambda x: x**2, range(1000)))

原理：内置函数采用C语言实现，避免Python解释器的额外开销。

3. 避免全局变量访问
局部变量查找速度远快于全局变量。

低效写法  
def bad_func():  
    return global_var * 2  

global_var = 10  

高效写法  
def good_func():  
    var = 10  
    return var * 2

低效写法

def bad_func():

return global_var * 2

global_var = 10

高效写法

def good_func():

var = 10

return var * 2

原理：Python解释器在查找局部变量时无需遍历作用域链。

4. 使用生成器与迭代器
替代列表推导式，降低内存占用。

列表推导式（占用内存）  
large_list = [x**2 for x in range(1000000)]  

生成器表达式（惰性求值）  
gen = (x**2 for x in range(1000000))

列表推导式（占用内存）

large_list = [x**2 for x in range(1000000)]

生成器表达式（惰性求值）

gen = (x**2 for x in range(1000000))

原理：生成器按需计算，避免一次性加载全部数据到内存。

高级优化技术

5. 内存缓存机制
使用functools.lru_cache缓存递归函数结果。

from functools import lru_cache  

@lru_cache(maxsize=128)  
def fibonacci(n):  
    if n < 2:  
        return n  
    return fibonacci(n-1) + fibonacci(n-2)

from functools import lru_cache

@lru_cache(maxsize=128)

def fibonacci(n):

if n < 2:

return n

return fibonacci(n-1) + fibonacci(n-2)

原理：通过记忆化存储已计算结果，避免重复计算。

6. 多线程与多进程
利用multiprocessing处理CPU密集型任务。

from multiprocessing import Pool  

def square(x):  
    return x * x  

if name == 'main':  
    with Pool(4) as p:  
        results = p.map(square, range(1000))

from multiprocessing import Pool

def square(x):

return x * x

if name == 'main':

with Pool(4) as p:

results = p.map(square, range(1000))

原理：多进程可充分利用多核CPU，突破GIL限制。

7. C扩展与PyPy优化
关键模块使用C语言实现（如NumPy），或切换至PyPy解释器。

使用NumPy替代纯Python计算  
import numpy as np  

data = np.array([1,2,3,4,5])  
result = data ** 2  比纯Python列表操作快数百倍

使用NumPy替代纯Python计算

import numpy as np

data = np.array([1,2,3,4,5])

result = data ** 2 比纯Python列表操作快数百倍

原理：利用底层优化库减少解释器开销。

性能分析工具

使用cProfile定位瓶颈

python -m cProfile -s time your_script.py

1	python -m cProfile -s time your_script.py

输出示例：

1000 function calls in 0.056 seconds  
   Ordered by: internal time  
   ncalls  tottime  cumtime  filename:lineno(function)  
       1    0.012    0.012  <stdin>:1(<module>)  
       1    0.010    0.022  <stdin>:5(fibonacci)

1000 function calls in 0.056 seconds

Ordered by: internal time

ncalls tottime cumtime filename:lineno(function)

1 0.012 0.012 <stdin>:1(<module>)

1 0.010 0.022 <stdin>:5(fibonacci)

使用memory_profiler监控内存使用

from memory_profiler import profile  

@profile  
def process_data():  
    data = [i for i in range(1000000)]  
    return sum(data)  

process_data()

from memory_profiler import profile

@profile

def process_data():

data = [i for i in range(1000000)]

return sum(data)

process_data()

最佳实践建议
1. 优先优化高频代码段：使用性能分析工具定位耗时函数。
2. 避免过度优化：保持代码可读性，先确保逻辑正确再追求速度。
3. 合理选择数据结构：如用集合代替列表进行成员查询。
4. 利用异步编程：对IO密集型任务使用

async/await

1	async/await

提高吞吐量。

结语
Python性能优化需要结合具体场景，通过代码层面的改进、工具链辅助以及底层技术手段的综合运用，可实现显著的效率提升。建议开发者在追求速度的同时，保持代码的清晰性和可维护性，避免为优化而牺牲可读性。

更新网址：https://feilong.org/python-performance-optimization
最初发布：20260719 05:40:38 feilong.org 于广州

加入收藏夹，查看更方便。

新作：Python跨平台开发：构建多系统应用指南

旧文：Python自动化脚本：高效处理重复任务

飛龍博客