python納秒時(shí)間函數(shù)的簡單介紹

「干貨」讓Python性能起飛的15個(gè)技巧，你知道幾個(gè)呢？

前言

創(chuàng)新互聯(lián)公司主要從事成都做網(wǎng)站、網(wǎng)站制作、網(wǎng)頁設(shè)計(jì)、企業(yè)做網(wǎng)站、公司建網(wǎng)站等業(yè)務(wù)。立足成都服務(wù)文圣,十載網(wǎng)站建設(shè)經(jīng)驗(yàn),價(jià)格優(yōu)惠、服務(wù)專業(yè),歡迎來電咨詢建站服務(wù):18982081108

Python 一直以來被大家所詬病的一點(diǎn)就是執(zhí)行速度慢，但不可否認(rèn)的是 Python 依然是我們學(xué)習(xí)和工作中的一大利器。本文總結(jié)了15個(gè)tips有助于提升 Python 執(zhí)行速度、優(yōu)化性能。

關(guān)于 Python 如何精確地測量程序的執(zhí)行時(shí)間，這個(gè)問題看起來簡單其實(shí)很復(fù)雜，因?yàn)槌绦虻膱?zhí)行時(shí)間受到很多因素的影響，例如操作系統(tǒng)、Python 版本以及相關(guān)硬件（CPU 性能、內(nèi)存讀寫速度）等。在同一臺(tái)電腦上運(yùn)行相同版本的語言時(shí)，上述因素就是確定的了，但是程序的睡眠時(shí)間依然是變化的，且電腦上正在運(yùn)行的其他程序也會(huì)對實(shí)驗(yàn)有干擾，因此嚴(yán)格來說這就是實(shí)驗(yàn)不可重復(fù)。

我了解到的關(guān)于計(jì)時(shí)比較有代表性的兩個(gè)庫就是 time 和 timeit 。

其中， time 庫中有 time() 、 perf_counter() 以及 process_time() 三個(gè)函數(shù)可用來計(jì)時(shí)（以秒為單位），加后綴 _ns 表示以納秒計(jì)時(shí)（自 Python3.7 始）。在此之前還有 clock() 函數(shù)，但是在 Python3.3 之后被移除了。上述三者的區(qū)別如下：

與 time 庫相比， timeit 有兩個(gè)優(yōu)點(diǎn)：

timeit.timeit(stmt='pass', setup='pass', timer= , number=1000000, globals=None) 參數(shù)說明：

本文所有的計(jì)時(shí)均采用 timeit 方法，且采用默認(rèn)的執(zhí)行次數(shù)一百萬次。

為什么要執(zhí)行一百萬次呢？因?yàn)槲覀兊臏y試程序很短，如果不執(zhí)行這么多次的話，根本看不出差距。

Exp1：將字符串?dāng)?shù)組中的小寫字母轉(zhuǎn)為大寫字母。

測試數(shù)組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

方法二

方法一耗時(shí) 0.5267724000000005s ，方法二耗時(shí) 0.41462569999999843s ，性能提升 21.29%

Exp2：求兩個(gè) list 的交集。

測試數(shù)組：a = [1,2,3,4,5]，b = [2,4,6,8,10]。

方法一

方法二

方法一耗時(shí) 0.9507264000000006s ，方法二耗時(shí) 0.6148200999999993s ，性能提升 35.33%

關(guān)于 set() 的語法： | 、 、 - 分別表示求并集、交集、差集。

我們可以通過多種方式對序列進(jìn)行排序，但其實(shí)自己編寫排序算法的方法有些得不償失。因?yàn)閮?nèi)置的 sort() 或 sorted() 方法已經(jīng)足夠優(yōu)秀了，且利用參數(shù) key 可以實(shí)現(xiàn)不同的功能，非常靈活。二者的區(qū)別是 sort() 方法僅被定義在 list 中，而 sorted() 是全局方法對所有的可迭代序列都有效。

Exp3：分別使用快排和 sort() 方法對同一列表排序。

測試數(shù)組：lists = [2,1,4,3,0]。

方法一

方法二

方法一耗時(shí) 2.4796975000000003s ，方法二耗時(shí) 0.05551999999999424s ，性能提升 97.76%

順帶一提， sorted() 方法耗時(shí) 0.1339823999987857s 。

可以看出， sort() 作為 list 專屬的排序方法還是很強(qiáng)的， sorted() 雖然比前者慢一點(diǎn)，但是勝在它“不挑食”，它對所有的可迭代序列都有效。

擴(kuò)展 ：如何定義 sort() 或 sorted() 方法的 key

1.通過 lambda 定義

2.通過 operator 定義

operator 的 itemgetter() 適用于普通數(shù)組排序， attrgetter() 適用于對象數(shù)組排序

3.通過 cmp_to_key() 定義，最為靈活

Exp4：統(tǒng)計(jì)字符串中每個(gè)字符出現(xiàn)的次數(shù)。

測試數(shù)組：sentence='life is short, i choose python'。

方法一

方法二

方法一耗時(shí) 2.8105250000000055s ，方法二耗時(shí) 1.6317423000000062s ，性能提升 41.94%

列表推導(dǎo)（list comprehension）短小精悍。在小代碼片段中，可能沒有太大的區(qū)別。但是在大型開發(fā)中，它可以節(jié)省一些時(shí)間。

Exp5：對列表中的奇數(shù)求平方，偶數(shù)不變。

測試數(shù)組：oldlist = range(10)。

方法一

方法二

方法一耗時(shí) 1.5342976000000021s ，方法二耗時(shí) 1.4181957999999923s ，性能提升 7.57%

大多數(shù)人都習(xí)慣使用 + 來連接字符串。但其實(shí)，這種方法非常低效。因?yàn)椋? + 操作在每一步中都會(huì)創(chuàng)建一個(gè)新字符串并復(fù)制舊字符串。更好的方法是用 join() 來連接字符串。關(guān)于字符串的其他操作，也盡量使用內(nèi)置函數(shù)，如 isalpha() 、 isdigit() 、 startswith() 、 endswith() 等。

Exp6：將字符串列表中的元素連接起來。

測試數(shù)組：oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

方法二

方法一耗時(shí) 0.27489080000000854s ，方法二耗時(shí) 0.08166570000000206s ，性能提升 70.29%

join 還有一個(gè)非常舒服的點(diǎn)，就是它可以指定連接的分隔符，舉個(gè)例子

life//is//short//i//choose//python

Exp6：交換x，y的值。

測試數(shù)據(jù)：x, y = 100, 200。

方法一

方法二

方法一耗時(shí) 0.027853900000010867s ，方法二耗時(shí) 0.02398730000000171s ，性能提升 13.88%

在不知道確切的循環(huán)次數(shù)時(shí)，常規(guī)方法是使用 while True 進(jìn)行無限循環(huán)，在代碼塊中判斷是否滿足循環(huán)終止條件。雖然這樣做沒有任何問題，但 while 1 的執(zhí)行速度比 while True 更快。因?yàn)樗且环N數(shù)值轉(zhuǎn)換，可以更快地生成輸出。

Exp8：分別用 while 1 和 while True 循環(huán) 100 次。

方法一

方法二

方法一耗時(shí) 3.679268300000004s ，方法二耗時(shí) 3.607847499999991s ，性能提升 1.94%

將文件存儲(chǔ)在高速緩存中有助于快速恢復(fù)功能。Python 支持裝飾器緩存，該緩存在內(nèi)存中維護(hù)特定類型的緩存，以實(shí)現(xiàn)最佳軟件驅(qū)動(dòng)速度。我們使用 lru_cache 裝飾器來為斐波那契函數(shù)提供緩存功能，在使用 fibonacci 遞歸函數(shù)時(shí)，存在大量的重復(fù)計(jì)算，例如 fibonacci(1) 、 fibonacci(2) 就運(yùn)行了很多次。而在使用了 lru_cache 后，所有的重復(fù)計(jì)算只會(huì)執(zhí)行一次，從而大大提高程序的執(zhí)行效率。

Exp9：求斐波那契數(shù)列。

測試數(shù)據(jù)：fibonacci(7)。

方法一

方法二

方法一耗時(shí) 3.955014900000009s ，方法二耗時(shí) 0.05077979999998661s ，性能提升 98.72%

注意事項(xiàng)：

我被執(zhí)行了（執(zhí)行了兩次 demo(1, 2) ，卻只輸出一次）

functools.lru_cache(maxsize=128, typed=False) 的兩個(gè)可選參數(shù)：

點(diǎn)運(yùn)算符( . )用來訪問對象的屬性或方法，這會(huì)引起程序使用 __getattribute__() 和 __getattr__() 進(jìn)行字典查找，從而帶來不必要的開銷。尤其注意，在循環(huán)當(dāng)中，更要減少點(diǎn)運(yùn)算符的使用，應(yīng)該將它移到循環(huán)外處理。

這啟發(fā)我們應(yīng)該盡量使用 from ... import ... 這種方式來導(dǎo)包，而不是在需要使用某方法時(shí)通過點(diǎn)運(yùn)算符來獲取。其實(shí)不光是點(diǎn)運(yùn)算符，其他很多不必要的運(yùn)算我們都盡量移到循環(huán)外處理。

Exp10：將字符串?dāng)?shù)組中的小寫字母轉(zhuǎn)為大寫字母。

測試數(shù)組為 oldlist = ['life', 'is', 'short', 'i', 'choose', 'python']。

方法一

方法二

方法一耗時(shí) 0.7235491999999795s ，方法二耗時(shí) 0.5475435999999831s ，性能提升 24.33%

當(dāng)我們知道具體要循環(huán)多少次時(shí)，使用 for 循環(huán)比使用 while 循環(huán)更好。

Exp12：使用 for 和 while 分別循環(huán) 100 次。

方法一

方法二

方法一耗時(shí) 3.894683299999997s ，方法二耗時(shí) 1.0198077999999953s ，性能提升 73.82%

Numba 可以將 Python 函數(shù)編譯碼為機(jī)器碼執(zhí)行，大大提高代碼執(zhí)行速度，甚至可以接近 C 或 FORTRAN 的速度。它能和 Numpy 配合使用，在 for 循環(huán)中或存在大量計(jì)算時(shí)能顯著地提高執(zhí)行效率。

Exp12：求從 1 加到 100 的和。

方法一

方法二

方法一耗時(shí) 3.7199997000000167s ，方法二耗時(shí) 0.23769430000001535s ，性能提升 93.61%

矢量化是 NumPy 中的一種強(qiáng)大功能，可以將操作表達(dá)為在整個(gè)數(shù)組上而不是在各個(gè)元素上發(fā)生。這種用數(shù)組表達(dá)式替換顯式循環(huán)的做法通常稱為矢量化。

在 Python 中循環(huán)數(shù)組或任何數(shù)據(jù)結(jié)構(gòu)時(shí)，會(huì)涉及很多開銷。NumPy 中的向量化操作將內(nèi)部循環(huán)委托給高度優(yōu)化的 C 和 Fortran 函數(shù)，從而使 Python 代碼更加快速。

Exp13：兩個(gè)長度相同的序列逐元素相乘。

測試數(shù)組：a = [1,2,3,4,5], b = [2,4,6,8,10]

方法一

方法二

方法一耗時(shí) 0.6706845000000214s ，方法二耗時(shí) 0.3070132000000001s ，性能提升 54.22%

若要檢查列表中是否包含某成員，通常使用 in 關(guān)鍵字更快。

Exp14：檢查列表中是否包含某成員。

測試數(shù)組：lists = ['life', 'is', 'short', 'i', 'choose', 'python']

方法一

方法二

方法一耗時(shí) 0.16038449999999216s ，方法二耗時(shí) 0.04139250000000061s ，性能提升 74.19%

itertools 是用來操作迭代器的一個(gè)模塊，其函數(shù)主要可以分為三類：無限迭代器、有限迭代器、組合迭代器。

Exp15：返回列表的全排列。

測試數(shù)組：["Alice", "Bob", "Carol"]

方法一

方法二

方法一耗時(shí) 3.867292899999484s ，方法二耗時(shí) 0.3875405000007959s ，性能提升 89.98%

根據(jù)上面的測試數(shù)據(jù)，我繪制了下面這張實(shí)驗(yàn)結(jié)果圖，可以更加直觀的看出不同方法帶來的性能差異。

從圖中可以看出，大部分的技巧所帶來的性能增幅還是比較可觀的，但也有少部分技巧的增幅較小（例如編號5、7、8，其中，第 8 條的兩種方法幾乎沒有差異）。

總結(jié)下來，我覺得其實(shí)就是下面這兩條原則：

內(nèi)置庫函數(shù)由專業(yè)的開發(fā)人員編寫并經(jīng)過了多次測試，很多庫函數(shù)的底層是用 C 語言開發(fā)的。因此，這些函數(shù)總體來說是非常高效的（比如 sort() 、 join() 等），自己編寫的方法很難超越它們，還不如省省功夫，不要重復(fù)造輪子了，何況你造的輪子可能更差。所以，如果函數(shù)庫中已經(jīng)存在該函數(shù)，就直接拿來用。

有很多優(yōu)秀的第三方庫，它們的底層可能是用 C 和 Fortran 來實(shí)現(xiàn)的，像這樣的庫用起來絕對不會(huì)吃虧，比如前文提到的 Numpy 和 Numba，它們帶來的提升都是非常驚人的。類似這樣的庫還有很多，比如Cython、PyPy等，這里我只是拋磚引玉。

原文鏈接：

python函數(shù)深入淺出 16.time.sleep()函數(shù)詳解

time.sleep() 函數(shù)命名來源于英文單詞time(時(shí)間)和sleep(睡眠)。

time 是python帶的非內(nèi)置庫，使用時(shí)需要import,主要用于處理和時(shí)間相關(guān)的操作。

time.sleep用于給定時(shí)間內(nèi)掛起(等待)當(dāng)前線程的執(zhí)行。

time.sleep() 函數(shù)的例子：

可以注釋掉time.sleep(2)再運(yùn)行一次對比一下

可以看到雖然都是打印出一樣的結(jié)果，但time.sleep()加入了等待時(shí)間

這里還要解釋一下python中線程與進(jìn)程的區(qū)別。

舉個(gè)例子，廚房做菜看成是一個(gè)進(jìn)程，那么這個(gè)進(jìn)程下面就可能有多個(gè)人或一個(gè)人（cpu基本執(zhí)行單元，即線程）來執(zhí)行，多個(gè)人可以分別洗菜，刷碗，擺盤等等同時(shí)作業(yè)，他們又是共享這個(gè)廚房的資源的。每個(gè)人存在一定的資源競爭關(guān)系，比如爐火只有1個(gè)。

這里time.sleep是針對線程執(zhí)行的，也就是其中一個(gè)人去sleep睡覺了，不影響其他人的繼續(xù)工作。

參數(shù)

該函數(shù)沒有返回值。

結(jié)果類似如下：

可以看到秒數(shù)相差了5

無

time.sleep()常用于推遲執(zhí)行的場景

在python中，與時(shí)間相關(guān)的模塊有：time，datetime以及calendar

對基礎(chǔ)運(yùn)行環(huán)境有疑問的，推薦參考: python函數(shù)深入淺出 0.基礎(chǔ)篇

如何用python獲得當(dāng)前時(shí)間的秒數(shù)

import?datetime

now?=?datetime.datetime.now()

print?now.second

now里面有其所有日期和時(shí)間的屬性

now.second獲得的是int型

python中如何將納秒時(shí)間戳轉(zhuǎn)換成秒？

將這些時(shí)間從字符串類型轉(zhuǎn)換為整型

list = map(int, list)

然后除十的九次方

list = map(lambda e: e/1000000000.0, list)

也可一步到位：

list = map(lambda e: int(e)/1000000000.0, list)

使用for循環(huán)代碼是這樣的：

list = ['730740256','730740256','730740256']

seconds = []

for e in list:

seconds.append(int(e)/1000000000.0)

值得一提的是，變量名最好不要用list。因?yàn)楦采w了Python的內(nèi)置函數(shù)list。

當(dāng)前文章：python納秒時(shí)間函數(shù)的簡單介紹
本文來源：http://m.kartarina.com/article46/hgoihg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供App設(shè)計(jì)、外貿(mào)網(wǎng)站建設(shè)、、網(wǎng)站維護(hù)、云服務(wù)器、網(wǎng)站制作

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)