请点击右上角“关注”，关注小编我的头条号，及时接收精彩内容。文末可以领取编程资料

为提高回测和实盘交易速度，真格量化已经做了各种软硬件的性能优化，但还有一部分的代码性能优化工作最终需要用户自己来进行。

代码优化能够让程序运行更快，它是在不改变程序运行结果的情况下使得程序的运行效率更高。根据 80/20 原则，实现程序的重构、优化、扩展以及文档相关的事情通常需要消耗 80% 的工作量。优化通常包含两方面的内容：减小代码的规模，提高代码的运行效率。

改进算法，选择合适的数据结构

一个良好的算法能够对性能起到关键作用，因此性能改进的首要点是对算法的改进。在算法的时间复杂度排序上依次是：

O(1) -> O(lg n) -> O(n lg n) -> O(n^2) -> O(n^3) -> O(n^k) -> O(k^n) -> O(n!)

因此如果能够在时间复杂度上对算法进行一定的改进，对性能的提高不言而喻。但对具体算法的改进不属于本文讨论的范围，读者可以自行参考这方面资料。下面的内容将集中讨论数据结构的选择。

字典 (dictionary) 与列表 (list)

Python 字典中使用了 hash table，因此查找操作的复杂度为 O(1)，而 list 实际是个数组，在 list 中，查找需要遍历整个 list，其复杂度为 O(n)，因此对成员的查找访问等操作字典要比 list 更快。

例如

from time import time

t = time()

list=['a','b','is','python','jason','hello','hill','with','phone','test', 'dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']

#list = dict.fromkeys(list,True)

print list

filter = []

for i in range (1000000):

for find in ['is','hat','new','list','old','.']:

if find not in list:

filter.append(find)

print "total run time:"

print time()-t

上述代码运行大概需要

16.09seconds。如果去掉行 #list = dict.fromkeys(list,True) 的注释，将 list

转换为字典之后再运行，时间大约为 8.375 seconds，效率大概提高了一半。因此在需要多数据成员进行频繁的查找或者访问的时候，使用

dict 而不是 list 是一个较好的选择。

集合 (set) 与列表 (list)

set 的 union， intersection，difference 操作要比 list 的迭代要快。因此如果涉及到求 list 交集，并集或者差的问题可以转换为 set 来操作。

例如，求 list 的交集：

from time import time

t = time()

lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]

listb=[2,4,6,9,23]

intersection=[]

for i in range (1000000):

for a in lista:

for b in listb:

if a == b:

intersection.append(a)

print "total run time:"

print time()-t

上述程序的运行时间大概为：

total run time:38.4070000648

改为使用 set 求交集

from time import time

t = time()

lista=[1,2,3,4,5,6,7,8,9,13,34,53,42,44]

listb=[2,4,6,9,23]

intersection=[]

for i in range (1000000):

list(set(lista)&set(listb))

print "total run time:"

print time()-t

改为 set 后程序的运行时间缩减为 8.75，提高了 4 倍多，运行时间大大缩短。读者可以自行使用set的 其他的操作进行测试。

set 常见用法

对循环的优化

对循环的优化所遵循的原则是尽量减少循环过程中的计算量，有多重循环的尽量将内层的计算提到上一层。下面通过实例来对比循环优化后所带来的性能的提高。下边这段代码，如果不进行循环优化，其大概的运行时间约为 132.375s。

进行循环优化前

from time import time

t = time()

lista = [1,2,3,4,5,6,7,8,9,10]

listb =[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]

for i in range (1000000):

for a in range(len(lista)):

for b in range(len(listb)):

x=lista[a]+listb[b]

print "total run time:"

print time()-t

现在进行如下优化，将长度计算提到循环外，range

用 xrange 代替（xrange() 函数用法与 range

完全相同，所不同的是生成的不是一个数组，而是一个生成器，它不会将数据直接生成一个list，而是每次调用返回其中的一个值），同时将第三层的计算

lista[a] 提到循环的第二层。

循环优化后

from time import time

t = time()

lista = [1,2,3,4,5,6,7,8,9,10]

listb =[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,0.01]

len1=len(lista)

len2=len(listb)

for i in xrange (1000000):

for a in xrange(len1):

temp=lista[a]

for b in xrange(len2):

x=temp+listb[b]

print "total run time:"

print time()-t

上述优化后的程序其运行时间缩短为 102.171999931s。在清单 4 中 lista[a] 被计算的次数为 10000001010，而在优化后的代码中被计算的次数为 1000000*10，计算次数大幅度缩短，因此性能有所提升。

充分利用 Lazy if-evaluation 的特性

Python 中条件表达式是 lazy evaluation 的，也就是说如果存在条件表达式 if x and y，在 x 为 false 的情况下 y 表达式的值将不再计算。因此可以利用该特性在一定程度上提高程序效率。

例子，利用lazy evaluation的特性

from time import time

t = time()

abbreviations = ['cf.', 'e.g.', 'ex.', 'etc.', 'fig.', 'i.e.', 'Mr.', 'vs.']

for i in range (1000000):

for w in ('Mr.', 'Hat', 'is', 'chasing', 'the', 'black', 'cat', '.'):

if w in abbreviations:

#if w[-1] == '.' and w in abbreviations:

pass

print "total run time:"

print time()-t

在未进行优化之前程序的运行时间大概为 8.84s，如果使用注释行代替第一个 if，运行的时间大概为 6.17s。

字符串的优化

Python

中的字符串对象是不可改变的，因此对任何字符串的操作如拼接，修改等都将产生一个新的字符串对象，而不是基于原字符串，因此这种持续的 copy

会在一定程度上影响 python

的性能。对字符串的优化也是改善性能的一个重要的方面，特别是在处理文本较多的情况下。字符串的优化主要集中在以下几个方面：

1，在字符串连接的使用尽量使用 join() 而不是 +：在下边的例子中使用 + 进行字符串连接大概需要 0.125 s，而使用 join 缩短为 0.016s。因此在字符的操作上 join 比 + 要快，因此要尽量使用 join 而不是 +。

使用 join 而不是 + 连接字符串

from time import time

t = time()

s = ""

list = ['a','b','b','d','e','f','g','h','i','j','k','l','m','n']

for i in range (10000):

for substr in list:

s+= substr

print "total run time:"

print time()-t

同时要避免：

s = ""

for x in list:

s += func(x)

而是要使用：

slist = [func(elt) for elt in somelist]

s = "".join(slist)

2、当对字符串可以使用正则表达式或者内置函数来处理的时候，选择内置函数。如 str.isalpha()，str.isdigit()，str.startswith((‘x’, ‘yz’))，str.endswith((‘x’, ‘yz’))

3、对字符进行格式化比直接串联读取要快，因此要使用

out = ""%s%s%s%s"

% (head, prologue, query, tail)

而避免

out = "<html>" + head + prologue + query + tail + "<html>"

使用列表解析（list comprehension）和生成器表达式（generator expression）

列表解析要比在循环中重新构建一个新的 list 更为高效，因此我们可以利用这一特性来提高运行的效率。

from time import time

t = time()

list = ['a','b','is','python','jason','hello','hill','with','phone','test','dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']

total=[]

for i in range (1000000):

for w in list:

total.append(w)

print "total run time:"

print time()-t

使用列表解析：

for i in range (1000000):

a = [w for w in list]

上述代码直接运行大概需要

17s，而改为使用列表解析后 ，运行时间缩短为 9.29s。将近提高了一半。生成器表达式则是在 Python 2.4

中引入的新内容，语法和列表解析类似，但是在大数据量处理时，生成器表达式的优势较为明显，它并不创建一个列表，只是返回一个生成器，因此效率较高。在上述例子上中代码

a = [w for w in list] 修改为 a = (w for w in list)，运行时间进一步减少，缩短约为 2.98s。

其他优化技巧

1,如果需要交换两个变量的值使用 a,b=b,a 而不是借助中间变量 t=a;a=b;b=t；

>>> from timeit import Timer

>>> Timer("t=a;a=b;b=t","a=1;b=2").timeit()

0.25154118749729365

>>> Timer("a,b=b,a","a=1;b=2").timeit()

0.17156677734181258

2、在循环的时候使用

xrange 而不是 range；使用 xrange 可以节省大量的系统内存，因为 xrange() 在序列中每次调用只产生一个整数元素。而

range() 將直接返回完整的元素列表，用于循环时会有不必要的开销。不过在 Python3 中 xrange 不再存在，里面 range

提供一个可以遍历任意长度的范围的 iterator。

3、使用局部变量，避免滥用”global” 关键字。Python 访问局部变量会比全局变量要快得多，因此可以利用这一特性提升性能。

4、if done is not None 比语句 if done != None 更快，读者可以自行验证；

5、在耗时较多的循环中，可以把函数的调用改为内联的方式；

6、使用级联比较 “x < y < z” 而不是 “x < y and y < z”；

7、while 1 要比 while True 更快（当然后者的可读性更好）；

8、build in 函数通常较快，add(a,b) 要优于 a+b。

我自己是一名从事了多年的Python老程序员，今年整理了一份最适合2019年学习的Python学习干货，免费赠送给每一位小伙伴

如果你也想当一位程序员，学习Python，那么帮忙转发一下然后再关注小编后私信“01”可以得到我整理的这些Python资料了（私信方法：点击我头像进我主页有个上面有个私信按钮）。