很多朋友都会疑问，自己写的代码为什么那么慢？
记得在读研究生的时候，我的导师到台湾去访学，跟我讲了他的亲身经历，说他写的算法，半个小时，计算机就出结果了，而且是在个人电脑上，台湾的学生2-3天都算不出来，问了之后，说还在计算。
导师说的问题是关于裂缝的应力分析的，简单讲，比如，一颗子弹打到玻璃上，玻璃会不会出现裂缝，裂缝周围的应力是怎么分布的，出现裂缝之后，玻璃还能不能继续达到使用的应力承载能力？
这是一个很复杂的计算，可以说导师的算法非常好。当然我们是做计算机数值计算的，对性能的追求可以说达到了极致，在应用领域，开发成本也是非常重要的考量。
我们公司的流体力学仿真软件一直非常追求性能，同时作为商业的软件开发公司，在开发成本上的考虑也是非常关注的。从计算性能，到可视化性能各个方面，都需要时间和经验的高度分析。
今天我们聊聊性能这件事。
关于性能和开发
1、编程之美的准则是什么？
美与丑，是做一个判别，既然是判别自然存在一个标准的问题，也就是准测。
作为算法工程师，首先自然是完成功能，然后才是性能。但是，功能这件事，通常很好描述，标准也相对清晰，而，性能这件事却无穷无尽。
一般情况下，我们的判别标准就是在功能满足客户需求的情况下，以当前市面上软件水平的客户体验效果为标准，别人一个操作等0.1秒，我们做到0.1秒以内就可以。
2、牺牲性能的背后，是组织形式的自由和更广泛的人才空间
这句话，说的有点冠冕堂皇，简而言之，三个方面：
（1）我们可以更方便的组织开发工作，让架构师和算法工程师可以有更多的工具，和选择方案。
（2）在较低的性能的要求下，开发人员的水平要求会降低很多，可以大大降低人员成本。
（3）更短的开发周期的需求，人好找，算法好组织，开发效率就更高。
Python性能测试
1、逻辑判断快还是基本运算快
import time
def get_time():
return time.time()
a=1
b=2
t0 = get_time()
for i in range(100000):
if a + b:
pass
t1 = get_time()
for i in range(100000):
c= a > b
t2 = get_time()
for i in range(100000):
if a > b:
pass
t3 = get_time()
print("add time:",t1-t0)
print("> time:",t2-t1)
print("if time:",t3-t2)
运行结果：
add time: 0.005983114242553711
“>” time: 0.008975982666015625
if time: 0.00628209114074707
可以看出判断语句，和基本运算速度是一个数量级的，如果1个循环，花费的时间是1e-8秒的量级，也就是1e-5毫秒。第二个循环中多了3e-8秒是因为赋值造成的。
2、调用python自带的max 和if语句判断
代码：
import time
def get_time():
return time.time()
def max1(a,b):
if a > b:
return a
else:
return b
a=1
b=2
c=0
t0 = get_time()
for i in range(100000):
if a > b:
c = a
else:
c = b
t1 = get_time()
for i in range(100000):
c = max(a, b)
t2 = get_time()
for i in range(100000):
c = max1(a,b)
t3 = get_time()
print("check time:",t1-t0,"rate:","1")
print("max time:",t2-t1,"rate",(t2-t1)/(t1-t0))
print("max1 time:",t3-t2,"rate",(t3-t2)/(t1-t0))
这里我们判断了，两个值比较大小。用了python自带的max函数，if判断，和将if判断放进一个函数max1.
我们看一下结果：
check time: 0.009987831115722656 rate: 1
max time: 0.019948720932006836 rate 1.9973025876062256
max1 time: 0.014958620071411133 rate 1.497684522104459
最快的，是直接if判断。我们把他作为比较的标准。自带的max速度是2倍，max1是1.5倍。所以，所以自己写的函数，性能上不见得比builtin自带的函数慢。我说的是在这里不必max慢，原因是max还有其他的判断的处理。
所以，只用自己用的东西，刚刚好，是最好的。但是这里，为什么要比较这种方式呢？显然max1的速度要慢于直接判断啊，这个还真不一定。后面我们慢慢看。
3、类的例子
我今天发了一个判断一个点是否在矩形区域内的类的微头条，也就是这个头条让我想试试看谁的性能更快。现在我们就检测一下！
主要是对比，使用距离函数判断和直接使用判断来辨别之间的性能上的差别。
- 使用max和abs定义的距离
- 使用if语句，替代max
- 全部使用if判断
代码比较长：
首先定义一个Rect类，
class Area1(Rect):
def __init__(self, x, y, w, h):
super().__init__( x, y, w, h)
@property
def center(self):
return self.x + self.w/2, self.y+self.h/2
def norm(self, pos=None):
"""
定义一个距离
"""
wph = self.w / self.h
if pos is not None:
norm0 = max(abs(pos[0] - self.center[0]), wph * abs(pos[1] - self.center[1]))
return norm0
else:
radius = max(abs(self.x - self.center[0]), wph * abs(self.y - self.center[1]))
return radius
我们定义的第一种情况，使用max和abs定义的距离。类名是Aera1。
我们class Area1(Rect):
def __init__(self, x, y, w, h):
super().__init__( x, y, w, h)
@property
def center(self):
return self.x + self.w/2, self.y+self.h/2
def norm(self, pos=None):
"""
定义一个距离
"""
wph = self.w / self.h
if pos is not None:
norm0 = max(abs(pos[0] - self.center[0]), wph * abs(pos[1] - self.center[1]))
return norm0
else:
radius = max(abs(self.x - self.center[0]), wph * abs(self.y - self.center[1]))
return radius
第二种情况，用if替代max的Aera2类
class Area2(Rect):
def __init__(self, x, y, w, h):
super().__init__(x, y, w, h)
@property
def center(self):
return self.x + self.w/2, self.y+self.h/2
def norm(self,pos):
"""
定义一个距离
"""
if abs(pos[0] - self.center[0]) > self.wph * abs(pos[1] - self.center[1]):
return abs(pos[0] - self.center[0])
return self.wph * abs(pos[1] - self.center[1])
def __contains__(self, pos):
pos_norm = self.norm(pos)
if pos_norm > self.radius:
return False
else:
return True
第三种，全部使用if判断Aera0类。
class Area0(Rect):
def __init__(self, x, y, w, h):
super().__init__( x, y, w, h)
@property
def center(self):
return self.x + self.w/2, self.y+self.h/2
def __contains__(self, pos):
if pos[0] < self.x:
return False
if pos[0] > self.x + self.w:
return False
if pos[1] < self.y:
return False
if pos[1] > self.y + self.h:
return False
return True
就代码组织来讲我更倾向于Area1这个类。大家可以认真看一下这几个代码的区别，我们就是用一些不同的操作来看看python代码在性能上的特点。
测试代码：
if __name__ == "__main__":
area0 =Area0(10,10,10,10)
area1 = Area1(10, 10, 10, 10)
area2= Area2(10, 10, 10, 10)
pos1 = (1, 2)
def check1():
for i in range(100000):
if pos1 in area1:
pass
t0 = time.time()
for i in range(100000):
if pos1 in area0:
pass
t1 = time.time()
for i in range(100000):
if pos1 in area1:
pass
t2 = time.time()
for i in range(100000):
if pos1 in area2:
pass
t3 = time.time()
check1()
t4 = time.time()
dt =t1-t0
print("Area0:",t1-t0,"rate:","1")
print("Area1:",t2-t1,"rate:",(t2-t1)/dt)
print("Area2:",t3-t2,"rate:",(t3-t2)/dt)
print("check1:",t4-t3,"rate:",(t4-t3)/dt)
看一下运行结果：
Area0: 0.017013072967529297 rate: 1
Area1: 0.23638176918029785 rate: 13.894125395891141
Area2: 0.12012887001037598 rate: 7.060974242551641
check1: 0.22240829467773438 rate: 13.072787914459486
同样以判断的情况为基准1。
发现判断确实是最快的，而且不是快一点点，也就是我觉得很好的一个算法，居然性能是傻傻的做判断慢了一个数量级。
为什么呢？因为我使用了python自带的函数，这个函数里面用到了更多的基本操作。
另外值得一说的是，这里check1只是对area1调用的简单的函数封装，但是速度上却有了提升。当然不是很大。至少说明，在复杂问题中，封到函数里，是有优势的。
结论和性能提升小技巧
- 赋值、判断、基本运算是同一量级的，我的电脑上都在亿分之一秒的速度量级，可以随意使用。
- 尽量把函数写成刚好需要的函数，不要多。这又是一个矛盾。
- 一些和循环无关的运算，尽量放在循环外面。
- 复杂过程，用函数封装并不会损失性能。
python的性能是一个非常复杂的问题，希望本文能给大家一些初步的感官，我们往往觉得很漂亮的算法和组织形式，其实是牺牲性能获得的。
跟很多程序员沟通的过程中，发现大家对性能的问题，大多都依赖语言本身，所以抱怨之声，大多会说某某语言如何。但是，要知道，例如AI这种事，再强大的语言都没办法替代算法。
算法会给软件带来无与伦比的提升，这是一个程序员的自我修养，也是环保精神，因为我们消耗的是计算资源。
有人说性能的考虑要占到70%，也有人认为性能并不重要，还是要选择优雅，你认为呢？
文源网络，仅供学习之用，侵删。
在学习Python的道路上肯定会遇见困难，别慌，我这里有一套学习资料，包含40+本电子书，800+个教学视频，涉及Python基础、爬虫、框架、数据分析、机器学习等，不怕你学不会！ https://shimo.im/docs/JWCghr8prjCVCxxK/ 《Python学习资料》
关注公众号【Python圈子】，优质文章每日送达。
来源：oschina
链接：https://my.oschina.net/u/4477231/blog/4268349