一份可以讓 Python 變得更快的工具清單

作者：linuxer小橡皮

來源：

https://zhuanlan.zhihu.com/p/31044229

大家好，歡迎來到 Crossin的編程教室 ！

經(jīng)常有人會擔(dān)心，python的運(yùn)算速度是不是不夠快。

代碼的效率首先還是取決于代碼的算法本身是否優(yōu)化。

比如適用于雙向隊(duì)列的 deque，以及在合適的條件下運(yùn)用 bisect 和 heapq 來提升算法的性能。

以前文章也提到過，Python提供了當(dāng)今最高級也是最有效的排序算法(list.sort)。

另外還有一個(gè)功能多樣又迅速的散列表(dict)。而且如果寫迭代器封裝、功能性代碼或者是某種額外擴(kuò)展的時(shí)候，或許 CyToolz可以用得到。當(dāng)然在itertools和 functools模塊中，還有很多函數(shù)可以帶來很高效的代碼。

而我們今天要分享的是一些優(yōu)化Python代碼的工具，這些并不能代替算法設(shè)計(jì)，但是能在相同條件下讓Python加速很多倍，并且讓代碼變得更簡潔。

這里主要講優(yōu)化單處理器的代碼，下面會介紹一些高效的函數(shù)實(shí)現(xiàn)，也有已經(jīng)封裝好的拓展模塊，還包括速度更快的Python解釋器。

當(dāng)然多處理器版本確實(shí)能大幅提高運(yùn)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(guān)于分布式計(jì)算的第三方工具。推薦看一下Python wiki上的關(guān)于Parallel Processing的內(nèi)容。

接下來，我們就看一看這份Python加速工具的清單：

1. NumPy、SciPy、Sage 和 Pandas

先說，NumPy。它的核心是一個(gè)多維數(shù)字?jǐn)?shù)組的實(shí)現(xiàn)。除了這個(gè)數(shù)據(jù)結(jié)構(gòu)之外，還實(shí)現(xiàn)了若干個(gè)函數(shù)和運(yùn)算符，可以高效地進(jìn)行數(shù)組運(yùn)算。并且對于被調(diào)用的次數(shù)進(jìn)行了精簡。它可以被用來進(jìn)行極其高效的數(shù)學(xué)運(yùn)算。

SciPy和Sage都將NumPy內(nèi)置為自身的一部分，同時(shí)內(nèi)置了其他的不同的工具，從而可以用于特定科學(xué)、數(shù)學(xué)和高性能計(jì)算的模塊。

Pandas是一個(gè)側(cè)重于數(shù)據(jù)分析的工具。如果處理大量半結(jié)構(gòu)化數(shù)據(jù)的時(shí)候，可能也會用到Pandas相關(guān)的工具，比如Blaze。

2. PyPy、Pyston、Parakeet、Psyco和Unladen Swallow

讓代碼運(yùn)行的更快，侵入性最小的就是使用實(shí)時(shí)編譯器(JIT編譯)。以前的話我們可以直接安裝Psyco。安裝之后導(dǎo)入psyco，然后調(diào)用psyco.full()。代碼運(yùn)行速度就可以明顯提升。運(yùn)行Python代碼的時(shí)候，它可以實(shí)時(shí)監(jiān)控程序，會將一部分代碼編譯為了機(jī)器碼。

現(xiàn)在好多Psyco等加速器的項(xiàng)目已經(jīng)停止維護(hù)了，不過類似的功能在PyPy中得到了繼承。

PyPy為了方便分析、優(yōu)化和翻譯，用Python語言將Python重新實(shí)現(xiàn)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(gè)Python的JIT編譯器。是Python解釋器的一本版本，被稱為底層虛擬機(jī)(LLVM)。不過這個(gè)開發(fā)已經(jīng)停止了。

Pyston是一個(gè)與LLVM平臺較為接近的Python的JIT編譯器。很多時(shí)候已經(jīng)優(yōu)于Python的實(shí)現(xiàn)，但不過還有很多地方不完善。

3. GPULib、PyStream、PyCUDA和PyOpenCL

這四個(gè)都是用在圖像處理單元來實(shí)現(xiàn)代碼的加速。前面講的都是用代碼優(yōu)化來實(shí)現(xiàn)加速的。而這些都是從硬件層面上進(jìn)行加速，如果有一個(gè)強(qiáng)大的GPU，我們可以用GPU來計(jì)算，從而減少CPU寶貴的資源。

PyStream古老一點(diǎn)。GPULib提供了基于GPU的各種形式的數(shù)據(jù)計(jì)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(gè)項(xiàng)目都致力于將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(biāo)是C語言。Cython也是Pyrex的一個(gè)分支。

而且，Cython還有NumPy數(shù)組的額外支持。

如果面向數(shù)組和數(shù)學(xué)計(jì)算的時(shí)候，Numba是更好的選擇導(dǎo)入時(shí)會自動生成相應(yīng)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(gè)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(gè)命令行工具，往里面輸入C或者C++的頭文件，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(shí)現(xiàn)Python底層對象的操作。ctypes模塊可以用于在內(nèi)存中構(gòu)建編譯C的對象。并且調(diào)用共享庫中的C的函數(shù)。不過ctypes已經(jīng)包含在Python的標(biāo)準(zhǔn)庫里面了。

llvm-py主要提供LLVM的Python接口。以便于構(gòu)建代碼，然后編譯他們。也可以在Python中構(gòu)建它的編譯器。當(dāng)然搞出自己編程語言也是可以的。

CorePy2也可以進(jìn)行加速，不過這個(gè)加速是運(yùn)行在匯編層的。

7. Weave、Cinpy和PyInline

這三個(gè)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?？梢允褂肞ython代碼的字符串的多行特性，可以使其他的代碼按照自身的風(fēng)格來進(jìn)行排版。

8. 其他工具

如果我們要節(jié)省內(nèi)存，就不能使用JIT了。一般JIT都太耗費(fèi)內(nèi)存。

有一句話說的很對，時(shí)間和內(nèi)存經(jīng)常不能兼得，而我們在工程開發(fā)中，總是要尋找他們的平衡點(diǎn)。

至于其他的一些東西，比如Micro Python項(xiàng)目，這個(gè)是用在嵌入式設(shè)備或者微控制器上面使用的。

如果只是想在Python環(huán)境中工作，然后想用別的語言，可以看看這個(gè)項(xiàng)目Julia。

以上便是給大家總結(jié)的一份Python優(yōu)化工具清單。

_往期文章推薦_