Python 性能优化实战：让代码快起来的五个实用技巧

Python 以简洁易读著称，但也常被贴上“慢”的标签。其实很多性能问题并非语言本身的瓶颈，而是写法不当造成的。本文结合日常开发中的真实场景，分享五个立竿见影的优化技巧。

一、优先使用列表推导式
循环加 append 是最常见的写法，但列表推导式由 C 层循环实现，通常比等价循环快 30% 以上：
squares = [x * x for x in range(10000)]
如果还需要过滤条件，直接写在推导式里即可，避免多一层循环。

二、用生成器处理大数据
列表会一次性把全部数据装进内存，而生成器一次只产生一个值，内存占用几乎恒定：
def read_lines(path):
    with open(path) as f:
        for line in f:
            yield line.strip()
求和时也可以直接用生成器表达式：sum(x * x for x in range(10 ** 7))，既省内存又简洁。

三、善用内置函数与标准库
内置函数大多由 C 实现，比手写 Python 循环快得多。sum()、map()、max()、any()、all()，以及 collections.Counter、itertools，都是值得优先使用的工具：
from collections import Counter
Counter(words).most_common(5)

四、用 functools.lru_cache 缓存重复计算
对于存在大量重复调用的纯函数，加一层缓存往往能带来数量级的提升：
from functools import lru_cache
@lru_cache(maxsize=None)
def fib(n):
    return n if n < 2 else fib(n - 1) + fib(n - 2)
需要注意，缓存只适用于参数可哈希、无副作用的纯函数。

五、选对数据结构
成员判断用 set 而不是 list：set 的 in 操作是 O(1)，list 是 O(n)；需要键值映射用 dict；既要去重又要保序，可以用 dict.fromkeys()。数据结构选对了，很多“优化”根本不需要做。

结语
性能优化的第一步永远是先测量再优化：用 timeit 对比小段代码，用 cProfile 定位真正的热点，再针对性地改写。记住：先写对，再写快；过早优化是万恶之源。