在眾多編程語言中，Python的社區生態是其中的佼佼者之一，幾乎所有的技術痛點，例如優化代碼提升速度，在社區內都有很多成功的解決方案，本文分享的就是一份可以令 Python 變快的工具清單，值得了解下，
一、序言
這篇文章會提供一些優化代碼的工具，會讓代碼變得更簡潔，或者更迅速，
當然這些并不能代替演算法設計，但是還是能讓Python加速很多倍，
其實前面講演算法的文章，也有提到過，比如適用于雙向佇列的 deque，以及在合適的條件下運用 bisect 和 heapq 來提升演算法的性能，
而且前面也提到過，Python提供了當今最高級也是最有效的排序演算法(list.sort)，
另外還有一個功能多樣又迅速的散串列(dict)，而且如果寫迭代器封裝、功能性代碼或者是某種額外擴展的時候，或許 CyToolz可以用得到，當然在itertools和 functools模塊 中，還有很多函式可以帶來很高效的代碼，
這篇文章主要講優化單處理器的代碼，下面會介紹一些一些高效的函式實作，也有已經封裝好的拓展模塊，還包括速度更快的Python解釋器，
當然多處理器版本確實能大幅提高運行效率，如果想了解多核編程，可以從multiprocessing模塊開始，而且也能找到非常多的關于分布式計算的第三方工具，這里可以看一下Python wiki上的關于Parallel Processing的內容，
接下來，會說一些關于Python加速工具的選單，
二、正文
1、NumPy、SciPy、Sage和Pandas
先說，NumPy，它的核心是一個多維數字陣列的實作，除了這個資料結構之外，還實作了若干個函式和運算子，可以高效地進行陣列運算，并且對于被呼叫的次數進行了精簡，它可以被用來進行極其高效的數學運算，
SciPy和Sage都將NumPy內置為自身的一部分，同時內置了其他的不同的工具，從而可以用于特定科學、數學和高性能計算的模塊，
Pandas是一個側重于資料分析的工具，如果處理大量半結構化資料的時候，可能也會用到Pandas相關的工具，比如Blaze，
2、PyPy、Pyston、Parakeet、Psyco和Unladen Swallow
讓代碼運行的更快，侵入性最小的就是使用實時編譯器(JIT編譯)，以前的話我們可以直接安裝Psyco，安裝之后匯入psyco，然后呼叫psyco.full()，代碼運行速度就可以明顯提升，運行Python代碼的時候，它可以實時監控程式，會將一部分代碼編譯為了機器碼，
現在好多Psyco等加速器的專案已經停止維護了，不過類似的功能在PyPy中得到了繼承，
PyPy為了方便分析、優化和翻譯，用Python語言將Python重新實作了一遍，這樣就可以JIT編譯，而且PyPy可以直接將代碼翻譯成像C那樣的性能更高的語言，
Unladen Swallow是一個Python的JIT編譯器，是Python解釋器的一本版本，被稱為底層虛擬機(LLVM)，不過這個開發已經停止了，
Pyston是一個與LLVM平臺較為接近的Python的JIT編譯器，很多時候已經優于Python的實作，但不過還有很多地方不完善，
3、GPULib、PyStream、PyCUDA和PyOpenCL
這四個都是用在影像處理單元來實作代碼的加速，前面講的都是用代碼優化來實作加速的，而這些都是從硬體層面上進行加速，如果有一個強大的GPU，我們可以用GPU來計算，從而減少CPU寶貴的資源，
PyStream古老一點，GPULib提供了基于GPU的各種形式的資料計算，
如果用GPU加速自己的代碼，可以用PyCUDA和PyOpenCL，
4、Pyrex、Cython、Numba和Shedskin
這四個專案都致力于將Python代碼翻譯為C、C++和LLVM的代碼，Shedskin會將代碼編譯為C++語言，Pyrex、Cython編譯的主要目標是C語言，Cython也是Pyrex的一個分支，
而且，Cython還有NumPy陣列的額外支持，
如果面向陣列和數學計算的時候，Numba是更好的選擇匯入時會自動生成相應的LLVM的代碼，升級版本是NumbaPro，還提供了對GPU的支持，
5、SWIG、F2PY和Boost.Python
這些工具可以將其他的語言封裝為Python的模塊，第一個可以封裝C/C++語言，F2PY可以封裝Fortran，Boost.Python可以封裝C++語言，
SUIG只要啟動一個命令列工具，往里面輸入C或者C++的頭檔案，封裝器代碼就會自動生成，除了Python，而且可以成為其他語言的封裝器，比如Java和PHP，
6、ctypes、llvm-py和CorePy2
這些模塊可以幫助我們實作Python底層物件的操作，ctypes模塊可以用于在記憶體中構建編譯C的物件，并且呼叫共享庫中的C的函式，不過ctypes已經包含在Python的標準庫里面了，
llvm-py主要提供LLVM的Python介面，以便于構建代碼，然后編譯他們，也可以在Python中構建它的編譯器，當然搞出自己編程語言也是可以的，
CorePy2也可以進行加速，不過這個加速是運行在匯編層的，
7、Weave、Cinpy和PyInline
這三個包，就可以讓我們在Python代碼中直接使用C語言或者其他的高級語言，混合代碼，依然可以保持整潔，可以使用Python代碼的字串的多行特性，可以使其他的代碼按照自身的風格來進行排版，
8、其他工具
如果我們要節省記憶體，就不能使用JIT了，一般JIT都太耗費記憶體，有一句話說的很對，時間和記憶體經常不能兼得，而我們在工程開發中，總是要尋找他們的平衡點，
至于其他的一些東西，比如Micro Python專案，這個是用在嵌入式設備或者微控制器上面使用的，
兄弟們，今天的分享就到這里了，債見！
文章不過癮？試試看視頻吧！ Python爬蟲入門到實戰全集100集教程：代碼總是學完就忘記？100個爬蟲實戰專案！讓你沉迷學習丨學以致用丨下一個Python大神就是你！ Python tkinter 合集：全網最全python tkinter教程！包含所有知識點！輕松做出好看的tk程式！轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/500960.html
標籤：其他
上一篇：動態陣列底層是如何實作的