第11章：Python 性能优化与多线程编程
在开发复杂系统时，性能优化和并发编程是不可忽视的重点。Python 提供了多种工具和技术用于优化代码性能，并通过多线程、多进程等方式实现并发处理。本章将探讨如何在 Python 中提升性能，并实现多线程和多进程编程。
11.1 Python 性能优化
11.1.1 使用内置函数与库
Python 的内置函数和标准库通常经过高度优化，能够显著提高性能。
示例：使用内置函数代替循环
# 使用 sum 内置函数
numbers = [1, 2, 3, 4, 5]
result = sum(numbers) # 比手动循环累加更快
优选库：NumPy
对于需要处理大量数值计算的场景，使用 NumPy 代替纯 Python 代码会有显著性能提升。
import numpy as np
array = np.array([1, 2, 3, 4, 5])
print(np.sum(array)) # 更高效的数组运算
11.1.2 使用缓存技术
Python 的 functools.lru_cache 提供了一种简单的缓存机制，用于存储函数调用的结果，从而避免重复计算。
示例：递归斐波那契加速
from functools import lru_cache
@lru_cache(maxsize=None)
def fibonacci(n):
if n < 2:
return n
return fibonacci(n-1) + fibonacci(n-2)
print(fibonacci(50)) # 快速计算
11.1.3 优化数据结构选择
根据使用场景选择合适的数据结构，例如：
- 列表（list）：适合动态大小的数组操作。
- 集合（set）：适合快速去重和查找。
- 字典（dict）：适合键值对存储和快速查找。
示例：利用集合去重
# 去除重复元素
data = [1, 2, 2, 3, 4, 4]
unique_data = set(data)
11.1.4 使用并行化与向量化
对于 CPU 密集型任务，可以使用 多线程、多进程 或 向量化计算 来提高性能。
示例：并行化处理大规模数据
from multiprocessing import Pool
def square(n):
return n ** 2
with Pool(4) as pool:
results = pool.map(square, range(1000000))
11.2 Python 并发编程
11.2.1 线程与线程池
Python 的 threading 模块支持多线程编程，但由于 GIL（全局解释器锁） 的限制，多线程更适合 I/O 密集型任务。
示例：使用 threading 模块
import threading
def print_numbers():
for i in range(5):
print(i)
# 创建线程
thread = threading.Thread(target=print_numbers)
thread.start()
thread.join()
线程池
对于大量线程管理，使用 concurrent.futures 模块中的线程池更加高效。
from concurrent.futures import ThreadPoolExecutor
def square(n):
return n ** 2
with ThreadPoolExecutor(max_workers=4) as executor:
results = list(executor.map(square, range(10)))
print(results)
11.2.2 多进程编程
Python 的 multiprocessing 模块绕过了 GIL，更适合 CPU 密集型任务。
示例：使用多进程
from multiprocessing import Process
def print_numbers():
for i in range(5):
print(i)
process = Process(target=print_numbers)
process.start()
process.join()
进程池
与线程池类似，multiprocessing.Pool 提供了简洁的多进程管理。
from multiprocessing import Pool
def square(n):
return n ** 2
with Pool(4) as pool:
results = pool.map(square, range(10))
print(results)
11.2.3 协程与异步编程
Python 的 asyncio 模块支持协程，用于处理高效的异步 I/O。
示例：基本异步任务
import asyncio
async def hello():
print("Hello")
await asyncio.sleep(1)
print("World")
asyncio.run(hello())
多个异步任务并发执行
async def task(name, delay):
await asyncio.sleep(delay)
print(f"Task {name} completed")
async def main():
tasks = [task("A", 2), task("B", 1)]
await asyncio.gather(*tasks)
asyncio.run(main())
11.3 性能分析工具
11.3.1 使用 cProfile
cProfile 是 Python 内置的性能分析工具，用于查找代码中的性能瓶颈。
示例：分析代码性能
import cProfile
def slow_function():
total = 0
for i in range(100000):
total += i
return total
cProfile.run('slow_function()')
11.3.2 使用 line_profiler
line_profiler 是一个第三方工具，用于逐行分析函数性能。
安装
pip install line_profiler
示例
在函数顶部添加装饰器 @profile，然后运行 kernprof 工具进行分析：
@profile
def slow_function():
total = 0
for i in range(100000):
total += i
return total
运行命令：
kernprof -l -v script.py
11.4 小结
本章介绍了：
- 性能优化：使用内置函数、缓存技术、优化数据结构和并行计算提升程序性能。
- 并发编程：利用多线程、多进程和协程实现高效并发。
- 性能分析工具：使用
cProfile和line_profiler分析代码性能。
