Python中的优化-do's，don'ts和rules of thumb

Question

我在读这个post的时候，发现一个代码是：

jokes=range(1000000)
domain=[(0,(len(jokes)*2)-i-1) for i in range(0,len(jokes)*2)]

我想，在列表理解之外计算len（笑话）的值不是更好吗？

好吧，我试过了，计时了三个代码

jv@Pioneer:~$ python -m timeit -s 'jokes=range(1000000);domain=[(0,(len(jokes)*2)-i-1) for i in range(0,len(jokes)*2)]'
10000000 loops, best of 3: 0.0352 usec per loop
jv@Pioneer:~$ python -m timeit -s 'jokes=range(1000000);l=len(jokes);domain=[(0,(l*2)-i-1) for i in range(0,l*2)]'
10000000 loops, best of 3: 0.0343 usec per loop
jv@Pioneer:~$ python -m timeit -s 'jokes=range(1000000);l=len(jokes)*2;domain=[(0,l-i-1) for i in range(0,l)]'
10000000 loops, best of 3: 0.0333 usec per loop

观察第一个和第二个之间2.55%的边际差异使我认为-是第一个列表理解

domain=[(0,(len(jokes)*2)-i-1) for i in range(0,len(jokes)*2)]

由python内部优化？或者2.55%是足够大的优化（假设len（笑话）=1000000）？

如果这是-Python中的其他隐式/内部优化是什么？

什么是developer's rules of thumb for optimization in Python？

Edit1：由于大多数答案都是“不优化，如果速度慢，请稍后再做”，我从Triptych和Ali A获得了一些提示和链接。 我会把问题改一点，并要求不要这样做。

我们能从那些面临“慢”的人那里得到一些经验吗？问题是什么？是如何解决的？

Edit2：对于那些还没有到这里的人来说，是一个interesting read

Edit3:有关timeit的不正确用法，请参见dF的正确用法的答案，以及三个代码的计时。

Answer 1

读这个：Python Speed / Performance Tips

另外，在您的示例中，总时间非常短，以至于误差范围将超过速度上的任何实际差异。

Answer 2

您没有正确地使用^{}：-s（setup）的参数是一个最初要执行一次的语句，因此您实际上只是在测试一个空语句。你想这么做

$ python -m timeit -s "jokes=range(1000000)" "domain=[(0,(len(jokes)*2)-i-1) for i in range(0, len(jokes)*2)]"
10 loops, best of 3: 1.08 sec per loop
$ python -m timeit -s "jokes=range(1000000)" "l=len(jokes);domain=[(0,(l*2)-i-1) for i in range(0, l*2)]"
10 loops, best of 3: 908 msec per loop
$ python -m timeit -s "jokes=range(1000000)" "l=len(jokes*2);domain=[(0,l-i-1) for i in range(0, l)]"
10 loops, best of 3: 813 msec per loop

虽然提速仍不显著，但更为显著（分别为16%和25%）。因此，由于它不会使代码变得更复杂，所以这种简单的优化可能是值得的。

为了解决实际问题。。。Python中通常的经验法则是

1. 在编码时，更倾向于直接易读的代码而不是优化。

2. 分析您的代码（^{} and ^{}是您的朋友）以找出需要优化的内容（通常是像紧循环这样的东西）。

3. 最后，将它们重新实现为C扩展，这对于像pyrex和cython这样的工具来说要容易得多。

需要注意的一点是：与许多其他语言相比，函数调用在Python中相对昂贵，这就是为什么示例中的优化产生了影响，尽管len对于列表来说是O（1）。

Answer 3

这适用于所有编程，而不仅仅是Python：

1. 剖面图
2. 确定瓶颈
3. 优化

我甚至补充说，除非你有一个导致疼痛的缓慢问题，否则不要费心做任何事情。

也许最重要的是单元测试将在实际过程中帮助您。