python运行加速的几种方式

痛定思痛。 2022-10-19 15:00 591阅读 0赞

### python运行加速的几种方式 ###

*  一、总结
 *  二、全面加速（pypy)
 *  二、减少文件的打开即with的调用
 *  三、if判断靠前

# 一、总结 #

1、使用pypy  
2、减少函数化调用  
3、减少文件的打开即with的调用，将这一调用放在for循环前面，然后传递至后面需要用到的地方  
4、if函数判断条件多的尽量在前面  
全面加速（pypy)

# 二、全面加速（pypy) #

将python换为pypy,在纯python代码下，pypy的兼容性就不影响使用了，因为一些纯python的代码常常会用pypy进行一下加速

测试代码，for循环10000000次

start = time.time()
    for i in range(10000000):
        print(i,end="\r")
    end = time.time()
    print(f"耗费时间{ end-start}秒>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>")

pypy的耗时为：  
![在这里插入图片描述][20210711215317702.png]  
而python耗时为  
![在这里插入图片描述][20210711220249277.png]  
大致三倍，但是循环越多估计越快，据说有6倍左右

# 二、减少文件的打开即with的调用 #

原代码的with在调用函数内，即每次调用函数都要打开并关闭文件，造成大量耗时

def BMES(word,tag):
        with open(r"J:\PyCharm项目\学习进行中\NLP教程\NLP教程\数据集\词性标注\nature2ner.txt","a+",encoding="utf-8")as f_:
            if len(word) == 1:
                """单字"""
                f_.write(word + " " + f"S-{ tag.upper()}" + "\n")
            else:
                """多字"""
                for index, word_ in enumerate(word):
                    if index == 0:
                        f_.write(word_ + " " + f"B-{ tag.upper()}" + "\n")
                    elif 0 < index < len(word) - 1:
                        f_.write(word_ + " " + f"M-{ tag.upper()}" + "\n")
                    else:
                        f_.write(word_ + " " + f"E-{ tag.upper()}" + "\n")
    
    #后续在多个if-elif-else中调用

耗时为  
![在这里插入图片描述][20210711220748923.png]  
tqdm预估时间在15~25个小时左右跳动

将with放在循环前面  
如  
![在这里插入图片描述][20210711225331552.png]  
将with的内容作为f\_传递进来

![在这里插入图片描述][20210711225638732.png]

后的耗时为：  
![在这里插入图片描述][20210711225307780.png]

测试如下：

import os, warnings,time,tqdm
    def txt(word):
        with open("ceshi.txt","a+",encoding="utf-8")as f:
            if len(str(word))<=2:
                word+=100
                f.write(str(word)+"\n")
            elif 2<len(str(word))<=4:
                word+=200
                f.write(str(word)+"\n")
            else:
                f.write(str(word) + "\n")
    if __name__=="__main__":
        start = time.time()
        for i in tqdm.tqdm(range(100000)):
            txt(i)
        end = time.time()
        print(f"耗费时间{ end-start}秒>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>")

耗时结果为：  
![在这里插入图片描述][20210711222347872.png]  
将文件的打开即with的调用放在外面

import os, warnings,time,tqdm
    def txt(f,word):
    
            if len(str(word))<=2:
                word+=100
                f.write(str(word)+"\n")
            elif 2<len(str(word))<=4:
                word+=200
                f.write(str(word)+"\n")
            else:
                f.write(str(word) + "\n")
    if __name__=="__main__":
        start = time.time()
        with open("ceshi.txt", "a+", encoding="utf-8")as f:
            for i in tqdm.tqdm(range(100000)):
    
                txt(f,i)
        end = time.time()
        print(f"耗费时间{ end-start}秒>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>")

耗时为  
![在这里插入图片描述][20210711222858785.png]  
结论：快了119倍，而实际加速远远大于这个倍数

# 三、if判断靠前 #

如：

if tag in ["nts", "nto", "ntc", "ntcb", "ntcf", "ntch", "nth", "ntu", "nt"]:
                                    BMES(f_,i2, tag="ORG")
                                elif tag in ["nb", "nba", "nbc", "nbp", "nf", "nm", "nmc", "nhm", "nh"]:
                                    BMES(f_,i2, tag="OBJ")
                                elif tag in ["nnd", "nnt", "nn"]:
                                    BMES(f_,i2, tag="JOB")
                                elif tag in ["nr", "nrf"]:
                                    BMES(f_,i2, tag="PER")
                                elif tag in ["t"]:
                                    BMES(f_,i2, tag="TIME")
                                elif tag in ["ns", "nsf"]:
                                    BMES(f_,i2, tag="LOC")
                                else:
                                    for i3 in list(i2):
                                        f_.write(i3 + " " + f"O" + "\n")

满足条件的可以先跳出判断

[20210711215317702.png]: /images/20221004/7e650b31a1744550bc101be9b53fbd68.png
[20210711220249277.png]: /images/20221004/2db25cdb723c498989ac4ee93fc97120.png
[20210711220748923.png]: /images/20221004/9f81e19c655b4f31987e18e93254593f.png
[20210711225331552.png]: /images/20221004/dd0488b2f629462ba9eeb912338228bd.png
[20210711225638732.png]: /images/20221004/eadae1da1c50454ba6180b49254be06a.png
[20210711225307780.png]: /images/20221004/d79b03eab97d4bd3b5e6996eddb708ae.png
[20210711222347872.png]: /images/20221004/bdbe083ae6004fe48da8e968f763d3a9.png
[20210711222858785.png]: /images/20221004/9155c320a1f848d59729dbbb3b937b84.png