⑴ 看到幾個給 python 做加速的方案
python 性能加速的方法:
選擇一個正確的數據結構。
這個說法深有體會。Python中多變的數據結構可以造成很大的差異，使用一個set就可以事半功倍。甚至一個自己定義的數據結構，對於內存，運算速度，處理方式等都有很大的影響。
進行排序
我在項目中也遇到過，幾百萬的數據URL需要進行鑒別，哪些數據抓取了哪些沒有，抓取的部分還有重復。使用if x in y這種格式，則需要o(m*n)的時間復雜度。而兩邊都對URL進行排序後，則可以使用兩個指針輕松搞定。
字元串組合
編寫大字元串的時候，不建議使用加號拼接字元串。使用join，%s(py3中使用format方法)等官方的方法效果更好。
循環的使用
如果使用for循環進行簡單而大量的操作，不妨試試map()函數，或者python2.0中就已經有的list方法直接生成。或者使用迭代器進行循環的操作。
避免使用點方法
如上，需要使用list.append()方法的時候，這些方法都是需要在每次調用的時候重新確定（原文reevaluated）的，所以可以提前代替，如re.compile()方法。
使用局部變數
可以將一些代碼函數化，從而將變數轉為局部變數，Python獲取局部變數比使用全局變數要快得多。
初始化字典元素
字典的當前使用新技巧包括：使用keyError來定位沒有的key，使用get()方法來返回鍵對應的值。字典中還有collections模塊中較多的：defaultdict，OrderedDict類等。
首先在頭部寫明import聲明
大量的import會影響Python的性能。雖然隨處可以import, 但最好在代碼的頭部集中寫明。
數據的聚合
一次將多個數據聚合起來傳遞給函數比多次調用函數的開銷要小得多。
減少執行語句的數量
Python中有一個定期檢查線程是否該運行的函數。這個函數的大量調用會影響性能。最好我們可以設置這個值為較大的數，或者使用少的執行語句而以空間換時間。
Python不是C
移位不一定比加法快。Python是一個高級語言，調用底層不一定快。
使用profile來分析函數的性能
⑵ Python之父：Python 4.0可能不會來了
機器之心報道
2020 年 1 月 1 日，Python 官方結束了對 Python 2 的維護，意味著 Python 2 完全退休，進入 Python 3 時代。之後，關於 Python 4 的發布排期也成為了社區的熱門議題。
去年，Python 之父 Van Rossum 在推特上表示，假如會有 Python 4，從 3 到 4 的版本過渡會更像從 1 到 2 的過渡，而不會像從 2 到 3 的過渡。
但在最近接受 Microsoft Reactor 采訪時，Van Rossum 被問及 Python 的未來，以及什麼時候會出 Python 4.0。 他卻表示，可能不會有 Python 4 了。
Van Rossum 回答說：「我和 Python 核心開發團隊的成員對 Python 4.0 沒什麼想法，提不起興趣，估計至少會一直編號到 3.33。」
視頻地址：https://www.youtube.com/watch?v=aYbNh3NS7jA
在從 Python 2 過渡到 Python 3 時已經被上了一課的 Van Rossum 表示，在內部的嚴肅場合，談論 Python 4 是個禁忌，大家只會在飲茶時把 Python 4 當玩笑開。
2020 年 4 月，Python 2.7 生命周期中的最後一個版本 - Python 2.7.18 發布了。彼時 Van Rossum 警告過開發人員 Python 3 與 Python 2 不兼容，因此基於 Python 2 的軟體庫依賴項將不能升級至版本 3.0。
那是一個延續了數年之久，緩慢而又痛苦的遷移期。Van Rossum 說：「實際上，Python 比核心開發人員意識到的要成功得多，因此我們應該對從 Python 2 過渡到 Python3 更加了解和支持。但當時我們錯誤地認為過渡會很簡單，因為我們都像 Python 編程中的愛因斯坦一樣，可以在睡眠中將代碼從 Python 2 轉換為 Python3。」
不過，Van Rossum 並沒有完全排除 Python 4.0 的可能性，他暗示道，當 Python 與 C 的兼容性發生重大變化時，可能會改變目前的想法。Van Rossum 表示：「如果不更改語言就會與 C 擴展存在嚴重的不兼容，或者我們能夠擺脫全局解釋器鎖（GIL），這樣的情況下我們可能被迫升級至 Python4.0。」
然而，關於預計在 10 月發布的 Python 3.10，以及將實現一些重大速度提升的版本 3.11，Van Rossum 強調，重點依舊是盡可能長時間地漸進式的更新編程語言。
兩年前，Guido van Rossum 從 Dropbox 離職，宣布退休，但又在 2020 年 11 月加入了微軟，主動結束了自己的退休生活。當時他表示，將致力於「使用戶更好地使用 Python（並且不僅僅是在 Windows 系統上）」。
「現在，我們有一個嚴格的年度發布時間表，Python 3.10 之後是 3.11，之後是 3.12，依此類推。（在 Python 4 之前）我們必須先發布 3.9，每次添加另一個數字並不是容易的事，但仍然比從 3 到 4 輕松得多。」
「Python 的加速是漸進式的，3.11 版本會有新的速度提升，我們會在 3.12 和 3.13 中將其進一步提高。」
接下來，讓 Python 更快是 Python 核心開發團隊的工作重點。在近日的 PyCon Language Summit 上，Van Rossum 宣布目標是在 3.11 版本中將 CPython 的性能提高一倍。
Van Rossum 還介紹了通過外部項目（比如 Pyston）來加速語言的努力，Pyston 項目是 Python 3.8.8 的實現，該實現最初發布在 Dropbox，後來開源。其創建者最近發布了 Pyston 2.2，相比 CPython 3.8.8 的性能提高了 30％。
「現在，我覺得大約有一年時間來證明我們在 Python 性能上取得了進步，3.11 會比 3.10 快得多。」
同時，Van Rossum 也分享了自己對其他編程語言的看法，他欣賞 Rust 改進 C++ 代碼的能力，並且 Go 是「比較 Python」的語言中最有趣的。
「你可能注意到，在過去的六七年裡，我們一直在 Python 中添加可選的靜態類型，也叫漸進類型。」Python 之父也介紹了 Python 近年來對 TypeScript 的重視程度。
「當開始項目時，我實際上並不了解 TypeScript，所以我不能說最初是受到了 TypeScript 的啟發…… 如今，我們肯定是以 TypeScript 為樣板，有時我們發布了新功能，因為某些功能相對 Typescript 是缺失的，然後我們根據用戶需求將其進行添加，非常成功。」
Van Rossum 說，Python 仍然在努力尋找重獲成功的方法。在他看來，Hejlsberg 是一個非常聰明的人，TypeScript 正在做的一些事情，是 Python 未來需要弄清楚的。實際上 TypeScript 也在向 Python 學習，就像 JavaScript 在一些領域從 Python 那裡學習一樣。
參考鏈接：https://www.tectalk.co/why-python-4-0-might-never-arrive-according-to-its-creator/
⑶ 優化Python編程的4個妙招
1. Pandas.apply() – 特徵工程瑰寶
Pandas 庫已經非常優化了，但是大部分人都沒有發揮它的最大作用。想想它一般會用於數據科學項目中的哪些地方。一般首先能想到的就是特徵工程，即用已有特徵創造新特徵。其中最高效的方法之一就是Pandas.apply()，即Pandas中的apply函數。
在Pandas.apply()中，可以傳遞用戶定義功能並將其應用到Pandas Series的所有數據點中。這個函數是Pandas庫最好的擴展功能之一，它能根據所需條件分隔數據。之後便能將其有效應用到數據處理任務中。
2. Pandas.DataFrame.loc – Python數據操作絕妙技巧
所有和數據處理打交道的數據科學家(差不多所有人了!)都應該學會這個方法。
很多時候，數據科學家需要根據一些條件更新數據集中某列的某些值。Pandas.DataFrame.loc就是此類問題最優的解決方法。
3. Python函數向量化
另一種解決緩慢循環的方法就是將函數向量化。這意味著新建函數會應用於輸入列表，並返回結果數組。在Python中使用向量化能至少迭代兩次，從而加速計算。
事實上，這樣不僅能加速代碼運算，還能讓代碼更加簡潔清晰。
4. Python多重處理
多重處理能使系統同時支持一個以上的處理器。
此處將數據處理分成多個任務，讓它們各自獨立運行。處理龐大的數據集時，即使是apply函數也顯得有些遲緩。
關於優化Python編程的4個妙招，青藤小編就和您分享到這里了。如果您對python編程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於python編程的技巧及素材等內容，可以點擊本站的其他文章進行學習。
⑷ 用Python 做策略回測，耗時很長，有什麼加速辦法
少用for，盡量用numpy/pandas的向量化方法。 少用自己寫的python方法，先看看numpy /pandas是不是已有現成的功能。 有幾個numpy 的加速包，比如numexpr. 安裝Intel MKL. 最後，可以講關鍵部分用c/c++實現。 如果無法避開python的for，建議使用Numba來提速，理想情況下可以達到和numpy向量化差不多的速度。
⑸ python如何加速下載ZiP文件
想要加速zip文件的下載，就必須要用到python的多線程處理能力，常用的庫是 threading。默認情況下，該庫Python會默認安裝，因此可以直接在代碼中導入。
下載時根據文件的size，切分成幾個線程分別下載文件，下載完成以後再拼接到一起。
⑹ 用Python 做策略回測，耗時很長，有什麼加速辦法
1. 在動手優化之前，先profile看看，程序時間都花在哪些地方了:
python -m cProfile -o output.prof your_program
跑完之後，會生成一個output.profile文件。接下來需要對這個文件進行分析，這方面的工具我推薦SnakeViz，神器。安裝非常簡單，pip install snakeviz 即可。
snakeviz output.prof
運行之後，會打開一個瀏覽器窗口，好好看看，哪些函數耗時最多，耗時是因為調用次數太多呢，還是因為單次調用耗時長，明確優化重點；
2. 減少重復計算，緩存計算結果。看看 functools.lru_cache。
3. 能用list comprehension的地方，不要用for；能用numpy的地方，不要手寫循環，不要用pandas；
4. 看你的回測，40w個tick的話，數據量不算大，應該是直接load到內存里的吧？
5. 還是慢的話，上Numba — Numba，就是安裝麻煩一些，使用起來非常方便，速度提高一兩個數量級沒問題；
6. 如果你用的包PyPy都支持的話，試試pypy；
7. Cython、c mole，上面的都沒效果的話，這個是最後的候選方案了。
⑺ 怎樣加快python官網上應用的下載速度
Python是一個很酷的語言，因為你可以在很短的時間內利用很少的代碼做很多事情。不僅如此，它還能輕松地支持多任務，比如多進程等。Python批評者有時會說Python執行緩慢。本文將嘗試介紹6個技巧，可加速你的Python應用程序。
1.讓關鍵代碼依賴於外部包
雖然Python讓許多編程任務變得容易，但它可能並不總能為緊急的任務提供最佳性能。你可以為緊急的任務使用C、C++或機器語言編寫的外部包，這樣可以提高應用程序的性能。這些包都是不能跨平台的，這意味著你需要根據你正在使用的平台，尋找合適的包。簡而言之，這個方案放棄了一些應用程序的可移植性，以換取只有在特定主機上直接編程才能獲得的程序性能。這里有一些你應該考慮加入到你的「性能兵工廠」的包：
⑻ 分享!5個好用的Python工具
1、 IDLE
IDLE直譯過來就是集成開發與學習環境的意思，一般安裝 Python 時也會默認安裝 IDLE。每個語言都可以有自己的IDLE。它讓Python的入門變得簡單，對於沒什麼基礎的人寫就對了。它的主要功能包括Python shell 窗口(互動式解釋器)、跨平台(Windows、Linux、UNIX、Mac OS X)、智能縮進、代碼著色、自動提示、可以實現斷點提示、單步執行等調試功能的基本集成調試器。
2、 Scikit-learn
scikit-learn是一個建立在Scipy基礎上的用於機器學習的Python模塊。其中scikit-learn是最有名的，是開源的，任何人都可以免費地使用這個庫或者進行二次開發。它是一個非常強大的工具，能為庫的開發提供高水平的支持和嚴格的管理。它也得到了很多第三方工具的支持，有豐富的功能適用於各種用例。
3、Theano
Theano是一個較老牌和穩定的機器學習python庫之一，雖然目前使用的人數有所下降。但它畢竟是一個祖師級的存在，一定有它的優點所在。Theano基於Python擅長處理多維數組，屬於比較底層的框架，theano起初也是為了深度學習中大規模人工神經網路演算法的運算所設計，我們可利用符號化式語言定義想要的結果，支持GPU加速，非常適合深度學習Python。
4、Selenium
Selenium 是自動化的最佳工具之一。它屬於 Python 測試的自動化。它在 Web 應用程序中用於自動化框架。支持多款主流瀏覽器，提供了功能豐富的API介面，常被用作爬蟲工具。使用它可以用許多編程語言編寫測試腳本，包括Java、C#、python、ruby等。還可以集成 Junit 和 TestNG 等鈾工具來管理測試用例並生成報告。
5、Skulpt
Skulpt 是一個用 Javascript 實現的在線 Python 執行環境，完全依靠瀏覽器端模擬實現Python運行的工具。不需要任何預處理、插件或伺服器端支持，只需編寫python並重新載入即可。因為代碼完全是在瀏覽器中運行的，所以不用擔心伺服器崩潰的問題。
關於分享!5個好用的Python工具，環球青藤小編就和大家分享到這里了，學習是永無止境的，學習一項技能更是受益終身，所以，只要肯努力學，什麼時候開始都不晚。如果您還想繼續了解關於python編程的學習方法及素材等內容，可以點擊本站其他文章學習。
⑼ Python是什麼
Python由荷蘭數學和計算機科學研究學會的Guido van Rossum 於1990
年代初設計，作為一門叫做ABC語言的替代品。Python提供了高效的高級數據結構，還能簡單有效地面向對象編程。Python語法和動態類型，以及解釋型語言的本質，使它成為多數平台上寫腳本和快速開發應用的編程語言，隨著版本的不斷更新和語言新功能的添加，逐漸被用於獨立的、大型項目的開發。
Python解釋器易於擴展，可以使用C或C++(或者其他可以通過C調用的語言)擴展新的功能和數據類型。Python
也可用於可定製化軟體中的擴展程序語言。Python豐富的標准庫，提供了適用於各個主要系統平台的源碼或機器碼。
⑽ Python為什麼能擴展
Python 具有高可擴展性，存在許多使用 C 語言或 Fortran 編寫擴展的方法。必要時，Python 代碼可以直接將這些擴展作為子常式來調用。這部分討論用於構建擴展的一些主要編譯器（絕對不是完整列表）。
相關推薦：《Python基礎教程》
Cython
Cython（不同於 CPython）既是指一種語言，也是指一種編譯器。Cython 語言是添加了 C 語言語法的 Python 語言的超集。Cython 可以在代碼段或完整函數中顯式釋放 GIL。變數和類屬性上的 C 類型聲明以及對 C 函數的調用都使用 C 語法。其餘部分代碼則使用 Python 語法。通過這個混合的 Cython 代碼，Cython 編譯器可生成高效的 C 代碼。任何定期優化的 C/C++ 編譯器都可以編譯此 C 代碼，從而高度優化擴展的運行時代碼，性能接近於原生的 C 代碼性能。
Numba
Numba 是一個動態、即時 (JIT) 且可感知 NumPy 的 Python 編譯器。Numba 使用 LLVM 編譯器基礎架構，生成優化的機器代碼和從 Python 調用代碼的包裝器。與 Cython 不同，編碼使用常規的 Python 語言。Numba 可讀取來自裝飾器中所嵌入注釋的類型信息，並優化代碼。對於使用 NumPy 數據結構的程序，比如數組以及許多數學函數，它可以實現與 C 或 Fortran 語言類似的性能。NumPy 對線性代數和矩陣函數使用硬體加速，利用 LAPACK 和 BLAS 提供額外加速，大大提升了性能，參見 IBM 博客文章C、Julia、Python、Numba 和 Cython 在 LU 因式分解方面的速度比較。
除 CPU 以外，Numba 還能夠使用 GP-GPU 後端。Anaconda, Inc. 是 Python 某個主要發行版的幕後公司，該公司還開發了 Numba 和商業版的 Numba Pro。
Fortran to Python Interface Generator
Fortran to Python Interface Generator (F2Py) 起初為一個獨立的程序包，現在包含在 NumPy 中。F2Py 支持 Python 調用以 Fortran 編寫的數值常式，就好像它們是另一個 Python 模塊一樣。因為 Python 解釋器無法理解 Fortran 源代碼，所以 F2Py 以動態庫文件格式將 Fortran 編譯為本機代碼，這是一種共享對象，包含具有 Python 模塊介面的函數。因此，Python 可以直接將這些函數作為子常式來調用，以原生 Fortran 代碼的速度和性能來執行。