⑴ 看到几个给 python 做加速的方案
python 性能加速的方法:
选择一个正确的数据结构。
这个说法深有体会。Python中多变的数据结构可以造成很大的差异，使用一个set就可以事半功倍。甚至一个自己定义的数据结构，对于内存，运算速度，处理方式等都有很大的影响。
进行排序
我在项目中也遇到过，几百万的数据URL需要进行鉴别，哪些数据抓取了哪些没有，抓取的部分还有重复。使用if x in y这种格式，则需要o(m*n)的时间复杂度。而两边都对URL进行排序后，则可以使用两个指针轻松搞定。
字符串组合
编写大字符串的时候，不建议使用加号拼接字符串。使用join，%s(py3中使用format方法)等官方的方法效果更好。
循环的使用
如果使用for循环进行简单而大量的操作，不妨试试map()函数，或者python2.0中就已经有的list方法直接生成。或者使用迭代器进行循环的操作。
避免使用点方法
如上，需要使用list.append()方法的时候，这些方法都是需要在每次调用的时候重新确定（原文reevaluated）的，所以可以提前代替，如re.compile()方法。
使用局部变量
可以将一些代码函数化，从而将变量转为局部变量，Python获取局部变量比使用全局变量要快得多。
初始化字典元素
字典的当前使用新技巧包括：使用keyError来定位没有的key，使用get()方法来返回键对应的值。字典中还有collections模块中较多的：defaultdict，OrderedDict类等。
首先在头部写明import声明
大量的import会影响Python的性能。虽然随处可以import, 但最好在代码的头部集中写明。
数据的聚合
一次将多个数据聚合起来传递给函数比多次调用函数的开销要小得多。
减少执行语句的数量
Python中有一个定期检查线程是否该运行的函数。这个函数的大量调用会影响性能。最好我们可以设置这个值为较大的数，或者使用少的执行语句而以空间换时间。
Python不是C
移位不一定比加法快。Python是一个高级语言，调用底层不一定快。
使用profile来分析函数的性能
⑵ Python之父：Python 4.0可能不会来了
机器之心报道
2020 年 1 月 1 日，Python 官方结束了对 Python 2 的维护，意味着 Python 2 完全退休，进入 Python 3 时代。之后，关于 Python 4 的发布排期也成为了社区的热门议题。
去年，Python 之父 Van Rossum 在推特上表示，假如会有 Python 4，从 3 到 4 的版本过渡会更像从 1 到 2 的过渡，而不会像从 2 到 3 的过渡。
但在最近接受 Microsoft Reactor 采访时，Van Rossum 被问及 Python 的未来，以及什么时候会出 Python 4.0。 他却表示，可能不会有 Python 4 了。
Van Rossum 回答说：“我和 Python 核心开发团队的成员对 Python 4.0 没什么想法，提不起兴趣，估计至少会一直编号到 3.33。”
视频地址：https://www.youtube.com/watch?v=aYbNh3NS7jA
在从 Python 2 过渡到 Python 3 时已经被上了一课的 Van Rossum 表示，在内部的严肃场合，谈论 Python 4 是个禁忌，大家只会在饮茶时把 Python 4 当玩笑开。
2020 年 4 月，Python 2.7 生命周期中的最后一个版本 - Python 2.7.18 发布了。彼时 Van Rossum 警告过开发人员 Python 3 与 Python 2 不兼容，因此基于 Python 2 的软件库依赖项将不能升级至版本 3.0。
那是一个延续了数年之久，缓慢而又痛苦的迁移期。Van Rossum 说：“实际上，Python 比核心开发人员意识到的要成功得多，因此我们应该对从 Python 2 过渡到 Python3 更加了解和支持。但当时我们错误地认为过渡会很简单，因为我们都像 Python 编程中的爱因斯坦一样，可以在睡眠中将代码从 Python 2 转换为 Python3。”
不过，Van Rossum 并没有完全排除 Python 4.0 的可能性，他暗示道，当 Python 与 C 的兼容性发生重大变化时，可能会改变目前的想法。Van Rossum 表示：“如果不更改语言就会与 C 扩展存在严重的不兼容，或者我们能够摆脱全局解释器锁（GIL），这样的情况下我们可能被迫升级至 Python4.0。”
然而，关于预计在 10 月发布的 Python 3.10，以及将实现一些重大速度提升的版本 3.11，Van Rossum 强调，重点依旧是尽可能长时间地渐进式的更新编程语言。
两年前，Guido van Rossum 从 Dropbox 离职，宣布退休，但又在 2020 年 11 月加入了微软，主动结束了自己的退休生活。当时他表示，将致力于“使用户更好地使用 Python（并且不仅仅是在 Windows 系统上）”。
“现在，我们有一个严格的年度发布时间表，Python 3.10 之后是 3.11，之后是 3.12，依此类推。（在 Python 4 之前）我们必须先发布 3.9，每次添加另一个数字并不是容易的事，但仍然比从 3 到 4 轻松得多。”
“Python 的加速是渐进式的，3.11 版本会有新的速度提升，我们会在 3.12 和 3.13 中将其进一步提高。”
接下来，让 Python 更快是 Python 核心开发团队的工作重点。在近日的 PyCon Language Summit 上，Van Rossum 宣布目标是在 3.11 版本中将 CPython 的性能提高一倍。
Van Rossum 还介绍了通过外部项目（比如 Pyston）来加速语言的努力，Pyston 项目是 Python 3.8.8 的实现，该实现最初发布在 Dropbox，后来开源。其创建者最近发布了 Pyston 2.2，相比 CPython 3.8.8 的性能提高了 30％。
“现在，我觉得大约有一年时间来证明我们在 Python 性能上取得了进步，3.11 会比 3.10 快得多。”
同时，Van Rossum 也分享了自己对其他编程语言的看法，他欣赏 Rust 改进 C++ 代码的能力，并且 Go 是“比较 Python”的语言中最有趣的。
“你可能注意到，在过去的六七年里，我们一直在 Python 中添加可选的静态类型，也叫渐进类型。”Python 之父也介绍了 Python 近年来对 TypeScript 的重视程度。
“当开始项目时，我实际上并不了解 TypeScript，所以我不能说最初是受到了 TypeScript 的启发…… 如今，我们肯定是以 TypeScript 为样板，有时我们发布了新功能，因为某些功能相对 Typescript 是缺失的，然后我们根据用户需求将其进行添加，非常成功。”
Van Rossum 说，Python 仍然在努力寻找重获成功的方法。在他看来，Hejlsberg 是一个非常聪明的人，TypeScript 正在做的一些事情，是 Python 未来需要弄清楚的。实际上 TypeScript 也在向 Python 学习，就像 JavaScript 在一些领域从 Python 那里学习一样。
参考链接：https://www.tectalk.co/why-python-4-0-might-never-arrive-according-to-its-creator/
⑶ 优化Python编程的4个妙招
1. Pandas.apply() – 特征工程瑰宝
Pandas 库已经非常优化了，但是大部分人都没有发挥它的最大作用。想想它一般会用于数据科学项目中的哪些地方。一般首先能想到的就是特征工程，即用已有特征创造新特征。其中最高效的方法之一就是Pandas.apply()，即Pandas中的apply函数。
在Pandas.apply()中，可以传递用户定义功能并将其应用到Pandas Series的所有数据点中。这个函数是Pandas库最好的扩展功能之一，它能根据所需条件分隔数据。之后便能将其有效应用到数据处理任务中。
2. Pandas.DataFrame.loc – Python数据操作绝妙技巧
所有和数据处理打交道的数据科学家(差不多所有人了!)都应该学会这个方法。
很多时候，数据科学家需要根据一些条件更新数据集中某列的某些值。Pandas.DataFrame.loc就是此类问题最优的解决方法。
3. Python函数向量化
另一种解决缓慢循环的方法就是将函数向量化。这意味着新建函数会应用于输入列表，并返回结果数组。在Python中使用向量化能至少迭代两次，从而加速计算。
事实上，这样不仅能加速代码运算，还能让代码更加简洁清晰。
4. Python多重处理
多重处理能使系统同时支持一个以上的处理器。
此处将数据处理分成多个任务，让它们各自独立运行。处理庞大的数据集时，即使是apply函数也显得有些迟缓。
关于优化Python编程的4个妙招，青藤小编就和您分享到这里了。如果您对python编程有浓厚的兴趣，希望这篇文章可以为您提供帮助。如果您还想了解更多关于python编程的技巧及素材等内容，可以点击本站的其他文章进行学习。
⑷ 用Python 做策略回测，耗时很长，有什么加速办法
少用for，尽量用numpy/pandas的向量化方法。 少用自己写的python方法，先看看numpy /pandas是不是已有现成的功能。 有几个numpy 的加速包，比如numexpr. 安装Intel MKL. 最后，可以讲关键部分用c/c++实现。 如果无法避开python的for，建议使用Numba来提速，理想情况下可以达到和numpy向量化差不多的速度。
⑸ python如何加速下载ZiP文件
想要加速zip文件的下载，就必须要用到python的多线程处理能力，常用的库是 threading。默认情况下，该库Python会默认安装，因此可以直接在代码中导入。
下载时根据文件的size，切分成几个线程分别下载文件，下载完成以后再拼接到一起。
⑹ 用Python 做策略回测，耗时很长，有什么加速办法
1. 在动手优化之前，先profile看看，程序时间都花在哪些地方了:
python -m cProfile -o output.prof your_program
跑完之后，会生成一个output.profile文件。接下来需要对这个文件进行分析，这方面的工具我推荐SnakeViz，神器。安装非常简单，pip install snakeviz 即可。
snakeviz output.prof
运行之后，会打开一个浏览器窗口，好好看看，哪些函数耗时最多，耗时是因为调用次数太多呢，还是因为单次调用耗时长，明确优化重点；
2. 减少重复计算，缓存计算结果。看看 functools.lru_cache。
3. 能用list comprehension的地方，不要用for；能用numpy的地方，不要手写循环，不要用pandas；
4. 看你的回测，40w个tick的话，数据量不算大，应该是直接load到内存里的吧？
5. 还是慢的话，上Numba — Numba，就是安装麻烦一些，使用起来非常方便，速度提高一两个数量级没问题；
6. 如果你用的包PyPy都支持的话，试试pypy；
7. Cython、c mole，上面的都没效果的话，这个是最后的候选方案了。
⑺ 怎样加快python官网上应用的下载速度
Python是一个很酷的语言，因为你可以在很短的时间内利用很少的代码做很多事情。不仅如此，它还能轻松地支持多任务，比如多进程等。Python批评者有时会说Python执行缓慢。本文将尝试介绍6个技巧，可加速你的Python应用程序。
1.让关键代码依赖于外部包
虽然Python让许多编程任务变得容易，但它可能并不总能为紧急的任务提供最佳性能。你可以为紧急的任务使用C、C++或机器语言编写的外部包，这样可以提高应用程序的性能。这些包都是不能跨平台的，这意味着你需要根据你正在使用的平台，寻找合适的包。简而言之，这个方案放弃了一些应用程序的可移植性，以换取只有在特定主机上直接编程才能获得的程序性能。这里有一些你应该考虑加入到你的“性能兵工厂”的包：
⑻ 分享!5个好用的Python工具
1、 IDLE
IDLE直译过来就是集成开发与学习环境的意思，一般安装 Python 时也会默认安装 IDLE。每个语言都可以有自己的IDLE。它让Python的入门变得简单，对于没什么基础的人写就对了。它的主要功能包括Python shell 窗口(交互式解释器)、跨平台(Windows、Linux、UNIX、Mac OS X)、智能缩进、代码着色、自动提示、可以实现断点提示、单步执行等调试功能的基本集成调试器。
2、 Scikit-learn
scikit-learn是一个建立在Scipy基础上的用于机器学习的Python模块。其中scikit-learn是最有名的，是开源的，任何人都可以免费地使用这个库或者进行二次开发。它是一个非常强大的工具，能为库的开发提供高水平的支持和严格的管理。它也得到了很多第三方工具的支持，有丰富的功能适用于各种用例。
3、Theano
Theano是一个较老牌和稳定的机器学习python库之一，虽然目前使用的人数有所下降。但它毕竟是一个祖师级的存在，一定有它的优点所在。Theano基于Python擅长处理多维数组，属于比较底层的框架，theano起初也是为了深度学习中大规模人工神经网络算法的运算所设计，我们可利用符号化式语言定义想要的结果，支持GPU加速，非常适合深度学习Python。
4、Selenium
Selenium 是自动化的最佳工具之一。它属于 Python 测试的自动化。它在 Web 应用程序中用于自动化框架。支持多款主流浏览器，提供了功能丰富的API接口，常被用作爬虫工具。使用它可以用许多编程语言编写测试脚本，包括Java、C#、python、ruby等。还可以集成 Junit 和 TestNG 等铀工具来管理测试用例并生成报告。
5、Skulpt
Skulpt 是一个用 Javascript 实现的在线 Python 执行环境，完全依靠浏览器端模拟实现Python运行的工具。不需要任何预处理、插件或服务器端支持，只需编写python并重新载入即可。因为代码完全是在浏览器中运行的，所以不用担心服务器崩溃的问题。
关于分享!5个好用的Python工具，环球青藤小编就和大家分享到这里了，学习是永无止境的，学习一项技能更是受益终身，所以，只要肯努力学，什么时候开始都不晚。如果您还想继续了解关于python编程的学习方法及素材等内容，可以点击本站其他文章学习。
⑼ Python是什么
Python由荷兰数学和计算机科学研究学会的Guido van Rossum 于1990
年代初设计，作为一门叫做ABC语言的替代品。Python提供了高效的高级数据结构，还能简单有效地面向对象编程。Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言，随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。
Python解释器易于扩展，可以使用C或C++(或者其他可以通过C调用的语言)扩展新的功能和数据类型。Python
也可用于可定制化软件中的扩展程序语言。Python丰富的标准库，提供了适用于各个主要系统平台的源码或机器码。
⑽ Python为什么能扩展
Python 具有高可扩展性，存在许多使用 C 语言或 Fortran 编写扩展的方法。必要时，Python 代码可以直接将这些扩展作为子例程来调用。这部分讨论用于构建扩展的一些主要编译器（绝对不是完整列表）。
相关推荐：《Python基础教程》
Cython
Cython（不同于 CPython）既是指一种语言，也是指一种编译器。Cython 语言是添加了 C 语言语法的 Python 语言的超集。Cython 可以在代码段或完整函数中显式释放 GIL。变量和类属性上的 C 类型声明以及对 C 函数的调用都使用 C 语法。其余部分代码则使用 Python 语法。通过这个混合的 Cython 代码，Cython 编译器可生成高效的 C 代码。任何定期优化的 C/C++ 编译器都可以编译此 C 代码，从而高度优化扩展的运行时代码，性能接近于原生的 C 代码性能。
Numba
Numba 是一个动态、即时 (JIT) 且可感知 NumPy 的 Python 编译器。Numba 使用 LLVM 编译器基础架构，生成优化的机器代码和从 Python 调用代码的包装器。与 Cython 不同，编码使用常规的 Python 语言。Numba 可读取来自装饰器中所嵌入注释的类型信息，并优化代码。对于使用 NumPy 数据结构的程序，比如数组以及许多数学函数，它可以实现与 C 或 Fortran 语言类似的性能。NumPy 对线性代数和矩阵函数使用硬件加速，利用 LAPACK 和 BLAS 提供额外加速，大大提升了性能，参见 IBM 博客文章C、Julia、Python、Numba 和 Cython 在 LU 因式分解方面的速度比较。
除 CPU 以外，Numba 还能够使用 GP-GPU 后端。Anaconda, Inc. 是 Python 某个主要发行版的幕后公司，该公司还开发了 Numba 和商业版的 Numba Pro。
Fortran to Python Interface Generator
Fortran to Python Interface Generator (F2Py) 起初为一个独立的程序包，现在包含在 NumPy 中。F2Py 支持 Python 调用以 Fortran 编写的数值例程，就好像它们是另一个 Python 模块一样。因为 Python 解释器无法理解 Fortran 源代码，所以 F2Py 以动态库文件格式将 Fortran 编译为本机代码，这是一种共享对象，包含具有 Python 模块接口的函数。因此，Python 可以直接将这些函数作为子例程来调用，以原生 Fortran 代码的速度和性能来执行。