Python慢?试试这几种优化方法

其实，这个说法对了一半。

Python确实比C、Go慢，但它易学易用、库丰富、生态强大。关键是——你得知道怎么优化它。

今天分享一套实用的Python性能优化方法，从简单到复杂，手把手教你让代码跑得更快。

第一层：代码层面的优化

1. 用列表推导式代替循环

不要这样写：

result = [] for i in range(1000):     result.append(i * 2)

要这样写：

result = [i * 2 for i in range(1000)]

列表推导式比循环快一倍不止。

2. 避免频繁的字符串拼接

不要这样：

s = "" for i in range(1000):     s += str(i)

要这样：

parts = [] for i in range(1000):     parts.append(str(i)) s = "".join(parts)

字符串拼接会产生大量中间对象，join()只创建一个。

3. 用局部变量代替全局变量

Python访问局部变量比全局变量快。

把：

def calc():     return math.sqrt(x) + math.cos(x)

改成：

def calc():     from math import sqrt, cos     return sqrt(x) + cos(x)

4. 少用点号访问

不要这样：

for item in items:     result.append(item.name.upper())

要这样：

append = result.append upper = str.upper for item in items:     append(item.name.upper())

听起来奇怪，但确实能快一点。

第二层：数据结构优化

1. 用set代替list做查找

如果你的代码经常做"是否存在"检查，用set代替list：

# 慢 if item in big_list:  # O(n)  # 快 if item in big_set:  # O(1)

2. 用dict代替list做计数

统计频率时：

# 慢 counts = [] for item in items:     found = False     for c in counts:         if c[0] == item:             c[1] += 1             found = True             break     if not found:         counts.append([item, 1])  # 快 from collections import Counter counts = Counter(items)

3. 合理选择数据结构

• 需要频繁插入删除 → deque
• 需要有序且查找 → bisect
• 需要去重 → set

第三层：使用内置工具

1. 用map和filter代替循环

# 比手动循环快 result = map(lambda x: x * 2, items) filtered = filter(lambda x: x > 0, items)

2. 用itertools处理大数据

处理超大数据集时，用迭代器而不是一次性加载：

from itertools import islice  # 只处理前1000个，但不用加载全部数据 for item in islice(large_generator(), 1000):     process(item)

3. 用生成器节省内存

不要：

def get_items():     return [i for i in range(1000000)]

要：

def get_items():     for i in range(1000000):         yield i

生成器是"懒加载"，用到才计算，不占内存。

第四层：借助库的力量

1. NumPy：向量化运算

别用Python循环做数值计算：

import numpy as np  # 慢 result = [] for i in range(10000):     result.append(i * 2.5 + 1)  # 快 arr = np.arange(10000) result = arr * 2.5 + 1

NumPy底层是C写的，快几十倍。

2. Pandas：处理表格数据

不要用Python循环处理CSV：

import pandas as pd  df = pd.read_csv('data.csv') df['new_col'] = df['col1'] * 2  # 向量化操作

3. Cython/Numba：编译加速

写好的Python代码，加上两行就能变快：

from numba import jit  @jit def fast_function(x):     # 你的Python代码     return result

Numba会把Python代码编译成机器码。

第五层：找准瓶颈再优化

1. 用profiler找到慢的地方

不要乱优化，先找到瓶颈：

import cProfile cProfile.run('your_function()')

或者用line_profiler逐行分析：

@profile def slow_function():     # 你的代码

2. 记住优化法则

• 先让它跑起来，再让它跑得快

• 优化瓶颈，别优化无关代码

• 测量前后性能，别凭感觉

写在最后

Python慢不慢，关键看你会不会用。

上面的方法，从简单到复杂，每个层级都能带来显著提升。

我的建议是：

1. 先写干净的代码
   别一开始就想着优化
2. 遇到性能问题
   ，用profiler找瓶颈
3. 从简单方法开始试
   ，一层层往上走

大部分场景，用到第三层就够了。

真的遇到性能瓶颈，再考虑第五层。