算法与代码优化

问题

Python 代码层面有哪些常见的性能优化技巧？

答案

数据结构选择

操作	list	set	dict
查找 (in)	$O(n)$	$O(1)$	$O(1)$
追加	$O(1)$	$O(1)$	$O(1)$
删除	$O(n)$	$O(1)$	$O(1)$

# ❌ 在 list 中查找——O(n)
if item in large_list:

# ✅ 转为 set 查找——O(1)
large_set = set(large_list)
if item in large_set:

列表推导 vs 循环

import timeit

# ❌ 慢：for 循环 + append
def slow():
    result = []
    for i in range(10000):
        result.append(i * 2)
    return result

# ✅ 快：列表推导（C 层面循环）
def fast():
    return [i * 2 for i in range(10000)]

# 快约 30%

生成器避免内存爆炸

# ❌ 创建完整列表占用大量内存
total = sum([x ** 2 for x in range(10_000_000)])

# ✅ 生成器表达式——逐个计算，几乎不占内存
total = sum(x ** 2 for x in range(10_000_000))

字符串拼接

# ❌ 慢：字符串拼接（每次创建新对象）
result = ""
for s in strings:
    result += s

# ✅ 快：join（一次性分配内存）
result = "".join(strings)

批量操作

# ❌ 慢：逐条插入数据库
for user in users:
    await session.execute(insert(User).values(**user))

# ✅ 快：批量插入
await session.execute(insert(User), users)

# ❌ 慢：逐个请求
for url in urls:
    await client.get(url)

# ✅ 快：并发请求
await asyncio.gather(*[client.get(url) for url in urls])

内置函数优先

# ❌ 手写循环
total = 0
for x in data:
    total += x

# ✅ 内置 sum（C 实现）
total = sum(data)

# 其他内置函数也是如此
max(data)      # 比手写循环快
sorted(data)   # 比手写排序快
any(...)       # 短路求值
all(...)

---

常见面试问题

Q1: Python 为什么"慢"？怎么办？

答案：

1. 动态类型：每次运算都要检查类型
2. 解释执行：没有编译为机器码
3. GIL：CPU 密集型无法并行

优化策略：

• 选对数据结构和算法（最重要）
• 用内置函数和 NumPy 向量化
• I/O 密集型用异步
• CPU 密集型用多进程或 Cython/Numba

Q2: 什么时候不该优化？

答案：

"过早优化是万恶之源" —— Donald Knuth

1. 代码还没写对时不优化
2. 没有性能问题时不优化
3. 没有 Profile 数据时不优化

先保证正确性和可读性，有性能问题时用 Profile 找到瓶颈再针对性优化。

相关链接

• Python Performance Tips
• Time Complexity