優化Python腳本運行時間的一種方式

一、使用多線程/多進程

Python中的GIL（全局解釋器鎖）限制了線程的並行執行，但是多線程/多進程會在多核CPU上提高程序的並行性能。可以通過Python自帶的threading或multiprocessing庫來實現。以下是一個簡單的使用multiprocessing庫的例子：

import multiprocessing

def worker(num):
    print('Worker: %s' % num)
    return

if __name__ == '__main__':
    jobs = []
    for i in range(5):
        p = multiprocessing.Process(target=worker, args=(i,))
        jobs.append(p)
        p.start()

上面的代碼創建了5個進程，每個進程都會執行worker函數。可以看到，多進程的執行速度比單進程要快。

二、使用緩存

Python中的緩存可以減少程序運行時重複計算的情況。比如，可以將經常用到的計算結果保存到一個字典中，每次需要用到時就直接從字典中取值。

cache_dict = {}

def fib(n):
    if n in cache_dict:
        return cache_dict[n]
    if n < 2:
        return n
    res = fib(n-1) + fib(n-2)
    cache_dict[n] = res
    return res

在上面的代碼中，我們定義了一個cache_dict字典，用於保存已經計算過的Fibonacci數列項。每次計算Fibonacci數列的第 n 項時，都會先檢查該項是否在cache_dict中，如果在，則直接返回對應的值；否則計算並保存到cache_dict中。這樣可以減少程序運行時的計算量，提高程序運行效率。

三、使用裝飾器

對於需要頻繁調用的函數，可以使用裝飾器來緩存計算結果，避免重複計算。示例代碼如下：

def cache(func):
    cache_dict = {}

    def wrapped(n):
        if n not in cache_dict:
            cache_dict[n] = func(n)
        return cache_dict[n]

    return wrapped

@cache
def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

在上面的代碼中，定義了一個cache裝飾器，它會將函數的計算結果保存到一個名為cache_dict的字典中。每次調用函數時，首先檢查cache_dict中是否已經有了對應的結果，如果有則直接返回結果，否則執行函數計算，並將結果保存到cache_dict中。

四、使用NumPy和Pandas優化數組操作

Python本身的列表操作效率不如NumPy和Pandas等專業的數值計算庫。如果需要進行大量的矩陣或數組運算，建議使用NumPy和Pandas。比如，以下是一個使用NumPy計算矩陣乘法的示例：

import numpy as np

a = np.random.rand(1000, 1000)
b = np.random.rand(1000, 1000)

c = np.dot(a, b)

上面的代碼中，我們通過np.random.rand生成了兩個1000×1000的隨機數矩陣a和b。然後使用np.dot函數計算矩陣乘積c。使用NumPy進行數組操作的效率要比使用Python列表高出很多。

五、使用numba優化代碼

numba是一種可以將Python代碼JIT編譯成本機機器碼的工具，能夠顯著提高代碼的計算速度。以下是一個簡單的使用numba的示例：

from numba import jit

@jit(nopython=True)
def calc_sum(n):
    s = 0
    for i in range(n):
        s += i
    return s

result = calc_sum(1000000)

上面的代碼定義了一個calc_sum函數，用於計算1~n的整數之和。使用@jit裝飾器將該函數轉化為JIT編譯後的代碼。可以看到，使用numba可以極大地提高程序的計算速度。

六、總結

本文介紹了多線程/多進程、緩存、裝飾器、NumPy/Pandas以及numba等方式可以優化Python腳本的運行時間。在實際開發中，可以結合具體場景選擇適合的優化方案。