Python程序性能优化实战：从基础技巧到高级工具

许南星

发布时间：2026-10-12 | 3人浏览过

原创

Python程序加速运行的核心方法。从基础层面探讨将代码封装为函数、利用局部变量优势、预绑定方法以及使用内置容器等技巧，有效减少属性查找开销。进阶部分介绍PyPy的JIT编译与Numba的LLVM加速技术，并强调在追求性能前确保逻辑正确性的重要性。

性能优化的前置步骤

在着手优化代码之前，首要任务是进行性能测试以定位瓶颈。盲目优化往往收效甚微，甚至引入新的错误。应优先确保程序逻辑的正确性，仅在确认功能无误后，针对内部循环等性能热点进行针对性优化。全局算法复杂度的降低通常比局部代码微调带来的收益更大。

基础代码重构技巧

封装函数与局部变量

将代码放入函数中执行，通常能提升15%至30%的性能。这主要得益于Python解释器对局部变量访问速度的优化，其速度优于全局变量。例如，在处理CSV文件时，将核心逻辑封装为函数：

# 优化前：全局作用域执行，速度较慢
import sys
import csv

with open(sys.argv[1]) as f:
   for row in csv.reader(f):
     # Some kind of processing
     pass

# 优化后：封装为函数，利用局部变量优势
import sys
import csv

def main(filename):
  with open(filename) as f:
     for row in csv.reader(f):
       # Some kind of processing
       pass

main(sys.argv[1])

消除属性访问开销

频繁的属性查找（如 `module.function`）在循环中会消耗大量时间。通过 `from module import name` 导入具体名称，或将方法绑定到局部变量，可以显著加速循环执行。

以计算平方根为例，原始代码在循环中反复查找 `math.sqrt` 和 `list.append`：

import math

def compute_roots(nums):
  result = []
  for n in nums:
    result.append(math.sqrt(n))
  return result

# Test
nums = range(1000000)
for n in range(100):
  r = compute_roots(nums)

优化方案是将 `sqrt` 和 `append` 方法提取为局部变量，避免在每次迭代中进行属性查找：

from math import sqrt

def compute_roots(nums):
  result = []
  result_append = result.append  # 绑定方法到局部变量
  for n in nums:
    result_append(sqrt(n))  # 使用局部变量
  return result

对于类内部频繁访问的属性，同样应提取为局部变量：

# 较慢：每次循环都访问 self.value
class SomeClass:
  def method(self):
     for x in s:
       op(self.value)

# 较快：提取为局部变量
class SomeClass:
  def method(self):
     value = self.value  # 提前获取属性
     for x in s:
       op(value)

避免不必要的抽象层

装饰器（如 `@property`）和描述器虽然提升了代码的可读性和封装性，但会引入额外的函数调用开销。在性能敏感的代码路径中，应谨慎使用。通过 `timeit` 模块对比可以发现，直接访问属性与通过属性访问器访问存在显著速度差异：

class A:
  def __init__(self, x, y):
    self.x = x
    self._y = y  # 存储实际值
  @property
  def y(self):
    return self._y  # 属性访问器引入额外开销
  @y.setter
  def y(self, value):
    self._y = value

# 性能对比测试
from timeit import timeit
a = A(1, 2)
# 直接访问属性
print(timeit('a.x', 'from __main__ import a'))  # 较快
# 通过 property 访问
print(timeit('a.y', 'from __main__ import a'))  # 较慢

利用内置容器与列表推导式

Python的内置容器（如列表、字典）由C语言实现，运行速度极快。应优先使用列表推导式替代显式的循环和 `append` 操作，避免构造不必要的数据结构或进行中间复制。

# 较慢：分步操作，产生中间变量
values = [x for x in sequence]
squares = [x*x for x in values]

# 较快：直接生成最终结果
squares = [x*x for x in sequence]

字典定义的注意事项

虽然字面量定义字典通常比使用 `dict()` 构造函数更快（约慢3倍），但在某些特定场景下，`dict()` 的可读性可能更重要。需根据具体需求权衡：

# 字面量定义（通常更快）
a = {
  'name' : 'AAPL',
  'shares' : 100,
  'price' : 534.22
}

# dict 构造函数（较慢，但参数名更清晰）
b = dict(name='AAPL', shares=100, price=534.22)