全文共2198字，預計學習時長8分鐘
圖源：unsplash
時間管理可是一門大學問，如何在有限的時間更快地運行代碼，並且擁有更優秀的性能，是我們應該去思考的事情。畢竟，成為偉大程序員之路就是要不斷超越自己，尋找最優解。本文就將給大家提供一些時間管理的小tips。
1.優化代碼和算法
首先，要仔細閱讀你的代碼和算法。通過執行更優算法或添加緩存可以解決很多速度問題。具體的準則能寫整本書，但要遵循的一些通用準則是：
· 測試，不要猜測。測試代碼哪些部分的運行耗費最長時間，首先關注這些部分。
· 減少內存使用量。通常情況下，請嘗試減少內存使用量。例如：逐行分析一個大型文件，而不先將其存儲到內存中。
· 執行緩存。如果你從磁盤，網絡和數據庫中執行許多重複的搜索，那麼執行緩存可能是一個很大的優化。
· 儘可能減少代碼中的迭代次數，尤其減少迭代內部操作的次數。
· 避免（深度）遞歸。對Python解釋器而言，這需要大量內存和內務處理，改用生成器和迭代等。
· 重用對象，而不是在每次迭代中創建新對象。Python必須清理已經創建的每個對象才能釋放內存。這被稱作垃圾回收。許多未使用對象的垃圾回收過程會大大降低軟件速度。
· 不要這樣做。你真的需要執行該操作嗎？它可以被放在之後完成嗎？或是該操作可被一次完成，並可以存儲其結果而不進行一遍又一遍地計算？
圖源：unsplash
2.使用PyPy
你可能正在使用Python的參考實現——CPython，它之所以被稱作CPython，是因為它由C語言編寫而成。很多人都在用它。
但如果確定自己的代碼為計算密集型，PyPy會是一個更好的選擇。它有可能是一種快速解決方案，且無需更改單行代碼。
PyPy聲稱：它比CPython平均快4.4倍。它通過使用一種叫作即時編譯（JIT）的技術加快代碼執行速度，其他的JIT還包括Java和.NET框架。而CPython使用解釋器執行代碼，儘管這提供了很大程度的靈活性，速度卻非常慢。
使用JIT，可以在運行程序的同時編譯代碼。它結合了提前編譯（由C和C ++等語言使用）的速度優勢和解釋器的靈活性。此外，JIT編譯器還可以在代碼運行時繼續將其優化。代碼運行時間越長，就越優化。
PyPy在近幾年裡發展很快，通常可以被用作Python 2和3的直接替代。它也可以與Pipenv等工具完美配合使用。
3.使用Asyncio
Asyncio是Python中一個相對較新的核心庫。它與線程解決了相同的問題：即加速了I/O密集型軟件系統，但Asyncio實現方式不同。
筆者其實並不喜歡在Python中使用asyncio。Asyncio相當複雜，特別是對於初學者。而且由於asyncio庫在過去的幾年中發展了很多，網絡上的教程和示例代碼通常已經過時。
圖源：unsplash
但這並不意味著它沒有用。這是一種強大的範例，可用於許多高性能應用程序。
4.使用多線程
多數軟件系統為I/O密集型，而非計算密集型：
· I/O密集型 —軟件系統通常在等待輸入/輸出操作完成。從網絡或慢速存儲器中獲取數據時通常是這種情況。
· 計算密集型 —軟件系統使CPU（中央處理器）達到極限。它使用CPU的所有功能來生成所需的結果。
在從網絡或磁盤中等待回答時，可以使用多個線程維持其他部分的運行。
線程是獨立的執行序列。默認情況下，Python程序具有一個主線程。但可以創建更多線程，並讓Python在不同線程之間轉換。這種轉換髮生非常快，顯得似乎在同時並排運行。
線程是獨立的執行序列，共享相同的存儲
不同於其他語言，Python多線程不能同時運行，而是輪流運行，這主要是因為它的全局解釋器鎖（GIL）的機制。
可見，多線程將對I / O密集型軟件系統產生巨大影響，但對計算密集型軟件系統而言用途甚微。
為何會這樣？很簡單。當一個線程等待來自網絡的回答時，其他線程能夠繼續運行。如果執行大量網絡請求，使用多線程會大有不同。但如果多線程正在執行大量計算，則它們只是等候自己的輪次再繼續執行。線程只會引入更多的開銷。
圖源：fadeevab
5. 同時使用更多處理器
如果軟件系統為計算密集型，則通常可以通過同時使用更多處理器的方式來重寫代碼。這樣，就可以線性擴展執行速度。
這被稱做並行性。並非所有算法都可以並行運行。例如，簡單地並行化遞歸算法是不可能的。但是幾乎總會有一種替代算法可以很好地進行並行工作。
有兩種使用更多處理器的方式：
1. 在同一臺計算機上使用多個處理器和/或內核。在Python中，這可以通過使用多處理庫來完成。
2. 用計算機網絡來使用分佈在多臺機器上的處理器。我們稱其為分佈式計算。
不同於線程庫，多處理庫繞過了Python全局解釋器鎖。它實際上是通過生成多個Python實例來實現的。因此，使用多線程在一個Python進程中輪流執行，你將擁有多個Python處理器來同時運行代碼。
可視化多處理
多處理庫又與線程庫十分相似。那為什麼還要考慮線程化？沒錯，線程處理“更輕便”。它只需要一個正在運行的Python解釋器，所需的內存更少，生成新進程也有其開銷。因此，如果代碼為I/O密集型，使用線程可能足夠了。
使軟件系統並行工作後，將分佈式計算與諸如Hadoop之類的功能結合使用僅需一小步。通過利用雲計算平臺，目前可以相對輕鬆地加快運行速度。例如，可以在雲中處理龐大的數據集，並在本地使用結果。使用混合操作方式，可以節省一些現金，要知道，雲平臺的計算功能可是非常昂貴的。
圖源：unsplash
希望以上這些小技巧能夠幫你擁有更快更強的代碼。
留言點贊關注
我們一起分享AI學習與發展的乾貨
如轉載，請後臺留言，遵守轉載規範
