1、優(yōu)化算法時間

　　算法的時間復雜度對程序的執(zhí)行效率影響最大，在 Python 中可以通過選擇合適的數(shù)據(jù)結(jié)構(gòu)來優(yōu)化時間復雜度，如 list 和 set 查找某一個元素的時間復雜度分別是 O(n)和 O(1)。不同的場景有不同的優(yōu)化方式，總得來說，一般有分治，分支界限，貪心，動態(tài)規(guī)劃等思想。

　　2、循環(huán)優(yōu)化

　　每種編程語言都會強調(diào)需要優(yōu)化循環(huán)。當使用 Python 的時候，你可以依靠大量的技巧使得循環(huán)運行得更快。然而，開發(fā)者經(jīng)常漏掉的一個方法是：

　　避免在一個循環(huán)中使用點操作。每一次你調(diào)用方法 str.upper，Python 都會求該方法的值。然而，如果你用一個變量代替求得的值，值就變成了已知的，Python 就可以更快地執(zhí)行任務。優(yōu)化循環(huán)的關(guān)鍵，是要減少 Python 在循環(huán)內(nèi)部執(zhí)行的工作量，因為 Python 原生的解釋器在那種情況下，真的會減緩執(zhí)行的速度。(注意：優(yōu)化循環(huán)的方法有很多，這只是其中的一個。例如，許多程序員都會說，列表推導是在循環(huán)中提高執(zhí)行速度的最好方式。這里的關(guān)鍵是，優(yōu)化循環(huán)是程序取得更高的執(zhí)行速度的更好方式之一。)

　　3、函數(shù)選擇

　　在循環(huán)的時候使用 xrange 而不是 range;使用 xrange 可以節(jié)省大量的系統(tǒng)內(nèi)存，因為 xrange() 在序列中每次調(diào)用只產(chǎn)生一個整數(shù)元素。而 range()將直接返回完整的元素列表，用于循環(huán)時會有不必要的開銷。在 python3 中 xrange 不再存在，里面 range 提供一個可以遍歷任意長度的范圍的 iterator。

　　4、并行編程

　　因為 GIL 的存在，Python 很難充分利用多核 CPU 的優(yōu)勢。但是，可以通過內(nèi)置的模 multiprocessing 實現(xiàn)下面幾種并行模式：

　　多進程：對于 CPU 密集型的程序，可以使用 multiprocessing 的 Process，Pool 等封裝好的類，通過多進程的方式實現(xiàn)并行計算。但是因為進程中的通信成本比較大，對于進程之間需要大量數(shù)據(jù)交互的程序效率未必有大的提高。

　　多線程：對于 IO 密集型的程序，multiprocessing.dummy 模塊使用 multiprocessing 的接口封裝 threading，使得多線程編程也變得非常輕松(比如可以使用 Pool 的 map 接口，簡潔高效)。

　　布式：multiprocessing 中的 Managers 類提供了可以在不同進程之共享數(shù)據(jù)的方式，可以在此基礎(chǔ)上開發(fā)出分布式的程序。

　　不同的業(yè)務場景可以選擇其中的一種或幾種的組合實現(xiàn)程序性能的優(yōu)化。

　　5、使用性能分析工具

　　除了上面在 ipython 使用到的 timeit 模塊，還有 cProfile。cProfile 的使用方式也非常簡單：python-mcProfilefilename.py，filename.py 是要運行程序的文件名，可以在標準輸出中看到每一個函數(shù)被調(diào)用的次數(shù)和運行的時間，從而找到程序的性能瓶頸，然后可以有針對性地優(yōu)化。

　　6、set 的用法

　　set 的 union，intersection，difference 操作要比 list 的迭代要快。因此如果涉及到求 list 交集，并集或者差的問題可以轉(zhuǎn)換為 set 來操作。

　　7、PyPy

　　PyPy 是用 RPython(CPython 的子集)實現(xiàn)的 Python，根據(jù)官網(wǎng)的基準測試數(shù)據(jù)，它比 CPython 實現(xiàn)的 Python 要快 6 倍以上?？斓脑蚴鞘褂昧?Just-in-Time(JIT)編譯器，即動態(tài)編譯器，與靜態(tài)編譯器(如 gcc，javac 等)不同，它是利用程序運行的過程的數(shù)據(jù)進行優(yōu)化。由于歷史原因，目前 pypy 中還保留著 GIL，不過正在進行的 STM 項目試圖將 PyPy 變成沒有 GIL 的 Python。如果 python 程序中含有 C 擴展(非 cffi 的方式)，JIT 的優(yōu)化效果會大打折扣，甚至比 CPython 慢(比 Numpy)。

　　所以在 PyPy 中最好用純 Python 或使用 cffi 擴展。