全文共2198字，预计学习时长8分钟
图源：unsplash
时间管理可是一门大学问，如何在有限的时间更快地运行代码，并且拥有更优秀的性能，是我们应该去思考的事情。毕竟，成为伟大程序员之路就是要不断超越自己，寻找最优解。本文就将给大家提供一些时间管理的小tips。
1.优化代码和算法
首先，要仔细阅读你的代码和算法。通过执行更优算法或添加缓存可以解决很多速度问题。具体的准则能写整本书，但要遵循的一些通用准则是：
· 测试，不要猜测。测试代码哪些部分的运行耗费最长时间，首先关注这些部分。
· 减少内存使用量。通常情况下，请尝试减少内存使用量。例如：逐行分析一个大型文件，而不先将其存储到内存中。
· 执行缓存。如果你从磁盘，网络和数据库中执行许多重复的搜索，那么执行缓存可能是一个很大的优化。
· 尽可能减少代码中的迭代次数，尤其减少迭代内部操作的次数。
· 避免（深度）递归。对Python解释器而言，这需要大量内存和内务处理，改用生成器和迭代等。
· 重用对象，而不是在每次迭代中创建新对象。Python必须清理已经创建的每个对象才能释放内存。这被称作垃圾回收。许多未使用对象的垃圾回收过程会大大降低软件速度。
· 不要这样做。你真的需要执行该操作吗？它可以被放在之后完成吗？或是该操作可被一次完成，并可以存储其结果而不进行一遍又一遍地计算？
图源：unsplash
2.使用PyPy
你可能正在使用Python的参考实现——CPython，它之所以被称作CPython，是因为它由C语言编写而成。很多人都在用它。
但如果确定自己的代码为计算密集型，PyPy会是一个更好的选择。它有可能是一种快速解决方案，且无需更改单行代码。
PyPy声称：它比CPython平均快4.4倍。它通过使用一种叫作即时编译（JIT）的技术加快代码执行速度，其他的JIT还包括Java和.NET框架。而CPython使用解释器执行代码，尽管这提供了很大程度的灵活性，速度却非常慢。
使用JIT，可以在运行程序的同时编译代码。它结合了提前编译（由C和C ++等语言使用）的速度优势和解释器的灵活性。此外，JIT编译器还可以在代码运行时继续将其优化。代码运行时间越长，就越优化。
PyPy在近几年里发展很快，通常可以被用作Python 2和3的直接替代。它也可以与Pipenv等工具完美配合使用。
3.使用Asyncio
Asyncio是Python中一个相对较新的核心库。它与线程解决了相同的问题：即加速了I/O密集型软件系统，但Asyncio实现方式不同。
笔者其实并不喜欢在Python中使用asyncio。Asyncio相当复杂，特别是对于初学者。而且由于asyncio库在过去的几年中发展了很多，网络上的教程和示例代码通常已经过时。
图源：unsplash
但这并不意味着它没有用。这是一种强大的范例，可用于许多高性能应用程序。
4.使用多线程
多数软件系统为I/O密集型，而非计算密集型：
· I/O密集型 —软件系统通常在等待输入/输出操作完成。从网络或慢速存储器中获取数据时通常是这种情况。
· 计算密集型 —软件系统使CPU（中央处理器）达到极限。它使用CPU的所有功能来生成所需的结果。
在从网络或磁盘中等待回答时，可以使用多个线程维持其他部分的运行。
线程是独立的执行序列。默认情况下，Python程序具有一个主线程。但可以创建更多线程，并让Python在不同线程之间转换。这种转换发生非常快，显得似乎在同时并排运行。
线程是独立的执行序列，共享相同的存储
不同于其他语言，Python多线程不能同时运行，而是轮流运行，这主要是因为它的全局解释器锁（GIL）的机制。
可见，多线程将对I / O密集型软件系统产生巨大影响，但对计算密集型软件系统而言用途甚微。
为何会这样？很简单。当一个线程等待来自网络的回答时，其他线程能够继续运行。如果执行大量网络请求，使用多线程会大有不同。但如果多线程正在执行大量计算，则它们只是等候自己的轮次再继续执行。线程只会引入更多的开销。
图源：fadeevab
5. 同时使用更多处理器
如果软件系统为计算密集型，则通常可以通过同时使用更多处理器的方式来重写代码。这样，就可以线性扩展执行速度。
这被称做并行性。并非所有算法都可以并行运行。例如，简单地并行化递归算法是不可能的。但是几乎总会有一种替代算法可以很好地进行并行工作。
有两种使用更多处理器的方式：
1. 在同一台计算机上使用多个处理器和/或内核。在Python中，这可以通过使用多处理库来完成。
2. 用计算机网络来使用分布在多台机器上的处理器。我们称其为分布式计算。
不同于线程库，多处理库绕过了Python全局解释器锁。它实际上是通过生成多个Python实例来实现的。因此，使用多线程在一个Python进程中轮流执行，你将拥有多个Python处理器来同时运行代码。
可视化多处理
多处理库又与线程库十分相似。那为什么还要考虑线程化？没错，线程处理“更轻便”。它只需要一个正在运行的Python解释器，所需的内存更少，生成新进程也有其开销。因此，如果代码为I/O密集型，使用线程可能足够了。
使软件系统并行工作后，将分布式计算与诸如Hadoop之类的功能结合使用仅需一小步。通过利用云计算平台，目前可以相对轻松地加快运行速度。例如，可以在云中处理庞大的数据集，并在本地使用结果。使用混合操作方式，可以节省一些现金，要知道，云平台的计算功能可是非常昂贵的。
图源：unsplash
希望以上这些小技巧能够帮你拥有更快更强的代码。
留言 点赞 关注
我们一起分享AI学习与发展的干货
欢迎关注全平台AI垂类自媒体 “读芯术”
（添加小编微信：dxsxbb，加入读者圈，一起讨论最新鲜的人工智能科技哦～）
转载：https://blog.csdn.net/duxinshuxiaobian/article/details/105884829