8个让Python代码效率翻倍的简单技巧

1. 使用列表推导式替代循环

# 传统方式
result = []
for i in range(10):
    if i % 2 == 0:
        result.append(i**2)

# 列表推导式
result = [i**2 for i in range(10) if i % 2 == 0]

✅ 更简洁，且通常执行更快（C语言层面优化）。

2. 善用内置函数和标准库

# 低效
max_value = 0
for num in numbers:
    if num > max_value:
        max_value = num

# 高效
max_value = max(numbers)

👉 内置函数如 map()、filter()、sum() 等都是用C实现的，速度远超手动循环。

3. 利用生成器处理大数据

# 列表（占用全部内存）
data = [x**2 for x in range(1000000)]

# 生成器（惰性计算，节省内存）
data_gen = (x**2 for x in range(1000000))

🚀 用 () 代替 [] 创建生成器，适合流式数据处理。

4. 使用 join() 拼接字符串

# 低效（每次拼接创建新对象）
result = ""
for s in string_list:
    result += s

# 高效
result = "".join(string_list)

📌 字符串不可变，频繁拼接会产生大量临时对象。

5. 局部变量访问更快

def calculate():
    # 将频繁访问的全局变量转为局部变量
    local_func = some_heavy_function
    for i in range(10000):
        local_func(i)

⚡ 局部变量存储在栈中，访问速度比全局变量快。

6. 用 in 检查成员存在性

# 低效（列表遍历）
if value in my_list:  # O(n)

# 高效（集合/字典）
if value in my_set:   # O(1)

🔍 对频繁查找的操作，优先使用 set 或 dict。

7. 使用 collections 模块

from collections import defaultdict, Counter

# 自动初始化字典
dd = defaultdict(list)
dd[key].append(value)

# 快速计数
counts = Counter(iterable)

🎯 这些专门的数据结构经过优化，比手动实现更高效。

8. 避免重复计算，缓存结果

# 使用 lru_cache 自动缓存函数结果
from functools import lru_cache

@lru_cache(maxsize=None)
def fibonacci(n):
    if n < 2:
        return n
    return fibonacci(n-1) + fibonacci(n-2)

💡 适合递归函数或计算成本高的纯函数。

额外建议：使用性能分析工具

• 用 cProfile 找出瓶颈：

  python -m cProfile your_script.py

• 使用 timeit 测量代码片段：

  import timeit
  timeit.timeit('your_code()', setup='from __main__ import your_code', number=1000)

关键原则

• 先保证正确性，再优化瓶颈（遵循“不要过早优化”）。
• 利用Python生态：对性能要求极高的部分可考虑用 numpy、pandas（向量化计算）或 Cython。
• 注意可读性：简洁≠晦涩，团队协作时需平衡性能与可维护性。

这些技巧能应对大多数常见场景，但实际优化前建议先通过性能分析定位真正瓶颈！