提升Python性能，媲美C语言

本篇文章是学习《Python金融大数据分析》第10章“高性能的Python”的笔记~

文章目录

• 循环
• • numpy
  • numba
  • Cython
• 递归
• • cython
  • 修饰器

循环

下面以计算平均数为例。

原始代码为：

import random
def average_py(n):
	s=0
	for i in range(n):
		s+=random.random()
	return s/n

若n=10000000，大致运行2s。

numpy

numpy的优势在于其向量化能力。

从形式上看，Python级别的循环消失了，循环在更深的一级上。

平均数可变为：

import random
import numpy as np
def average_np(n):
	s=np.random.random(n)
	return s.mean()

若n=10000000，大致运行224ms。

不过需要注意的是，虽然速度提升了，内存占用也更多。

numba

Numba可以动态编译纯Python代码，在简单情况下，它的应用非常直观。

import numba
average_nb=numba.jit(average_py)

n=10000000
average_nb(n) #第一次运行大概278ms
average_nb(n) #第二次运行81.7ms，第二次运行会明显变快。

以上运行结果显示，第一次运行较慢，第二次及之后运行速度明显加快。

所以对于会重复运行的函数，可以用numba进行编译。

（自己总结，非书中观点）
numba对性能的提升效果很明显，但是值得注意的是，许多情况下 Numba 并不适用，性能增进几乎难以察觉，甚至无法实现。

Cython

Cython=Python+C, 可以静态编译python代码，但是它的应用不想Numba那么简单，通常需要更改代码才能明显加速，即向python代码里面加入一些C语言元素。

由于比较复杂，笔者就没有举例子了，需要更加深入复杂的学习~
但是一般用法是，在代码开头加上

%load_ext Cython
%%cpython

注意：使用之前要先安装Cython第三方包

递归

Python的常规递归函数实现也相对较慢。

递归函数需要多次调用自身，Numba加速效果不明显。

下面以斐波那契数列为例，介绍几种加速方法。

'''
原始函数
'''
def fib_rec_py1(n):
	if n<2:
		return n
	else:
		return fib_rec_py1(n-1)+fib_rec_py1(n-2)

当n=35时，执行时间约为3.74s。

若用numba，运行时间大约为3.54s。

cython

'''
cython加速
'''
%%cython
def fib_rec_cy(int n):
	if n<2:
		return n
	else:
		return fib_rec_cy(n-1)+fib_rec_cy(n-2)

当n=35时，执行时间约为936ms。

修饰器

递归算法的主要问题是中间结果不会缓存，而是重新计算。

为了避免出现这种特有的问题，可以使用一个装饰器（decorator）来负责缓存中间结果。

它可以将执行速度提高好几个数量级。

'''
修饰器
'''
from functools import lru_cache as cache 
@cache(maxsize=None)
def fib_rec_py2(n):
	if n<2:
		return n
	else:
		return fib_rec_py2(n-1)+fib_rec_py2(n-2)

当n=35时，执行时间约为98us，几乎瞬间出结果。

递归的效率很低，如果可以，尽量不使用递归。

比如斐波那契数列可以用以下方式计算：

def fib_it_py(n):
	x,y=0,1
	for i in range(1,n+1):
		x,y=y,x+y
	return x

当n=80时，运行时间大约为26us，如果用上Numba，cython，会更加迅速