性能优化不是从改算法开始的，往往先从写好每一行代码入手。Python 里，一些小小的调整就能让程序运行快上几倍。下面这些技巧都是生产环境验证过的，实用且易于落地。
优先使用内置函数和标准库
Python 的内置函数和标准库大多是用 C 实现的，执行速度远快于你自己用纯 Python 写的循环。
- 用
sum()别自己写循环
想对一个列表求和，写 for 循环不仅代码长，也更慢：
# 自己写循环，慢
total = 0
for x in data:
total += x
# 内置 sum，快几倍
total = sum(data)
- 用
map()、filter()和列表推导式
它们底层走 C 循环，比显式的 for 循环快。
# 慢
result = []
for item in items:
result.append(func(item))
# 快：列表推导
result = [func(item) for item in items]
# 也快：map
result = list(map(func, items))
- 善用
collections、itertools和functools
比如 Counter 统计词频、deque 实现高效队列、lru_cache 缓存重复计算，都是标准库里的性能利器。
减少循环层级与循环内操作
循环是 Python 里最耗时的结构之一，循环层数一多，耗时就以乘积级增长。
- 将不变的运算提到循环外
不要在循环里重复计算或访问不变量。
# 不好：每次循环都算 len(data)
for i in range(len(data)):
process(data[i])
# 好
n = len(data)
for i in range(n):
process(data[i])
- 用
break或continue提前退出
一旦找到所需结果就立刻跳出循环，避免无谓遍历。
- 考虑用集合或字典的 O(1) 查找替代列表的 O(n) 遍历
频繁的成员检查（if item in collection）应该使用 set 或 dict，而不是 list。
用生成器替代列表
生成器是“惰性求值”的，只在需要时才产生数据，能显著节省内存，同时减少一次性构建列表的时间开销。
- 生成器表达式
# 立刻构建完整列表，占用大内存
squares = [x**2 for x in range(10**7)]
# 生成器，几乎不占内存
squares_gen = (x**2 for x in range(10**7))
- 生成器函数
yield 一个个返回值，而不是一次性 return 一个巨大列表。
- 用
map、filter获得迭代器
Python 3 中它们返回迭代器而非列表，本身就是惰性操作。
合理选用数据结构
数据结构的操作复杂度直接决定性能天花板。
- 查找频繁用
dict或set，别用list。字典的键查找为 O(1)，列表为 O(n)。 - 需要两头快速插入/删除用
collections.deque，而不是列表。列表头部插入 O(n)，deque 两端操作 O(1)。 - 需要有序的键值对用
OrderedDict或 Python 3.7+ 的普通dict（已保持插入顺序），但不要为了排序而频繁插入删除。 - 绑定少量固定名字的元组用
namedtuple，避免创建完整类，内存更省、访问更快。
局部变量与属性访问优化
- 将全局变量、模块属性赋值给局部变量
局部变量查找速度比全局变量快，因为局部变量在一个数组里用索引访问，而全局变量或对象属性需要字典查找。
import math
def slow():
# 每次循环都在全局空间中找 math.sin
for x in range(1000):
y = math.sin(x)
def fast():
sin = math.sin # 变成局部变量
for x in range(1000):
y = sin(x)
- 减少对象属性链式访问
多次使用同一个对象的深层属性，比如 obj.a.b.c，应该先赋给一个局部变量，循环里直接使用该变量。
其他高频实用技巧
- 字符串拼接：当拼接多个字符串时，用
''.join(list_of_strs)比+或+=快得多，因为避免了大量临时字符串对象的创建。 - 使用
slots节省内存：类的属性固定时，定义slots可以阻止实例生成dict，大幅减少内存占用并加快属性访问。 - 避免在热点代码中使用装饰器包装：装饰器可能有函数调用开销，对性能极度敏感的代码可以暂时去掉它们。
- 善用
functools.lru_cache：如果一些纯函数会被反复用相同参数调用，加上缓存装饰器能瞬间提速。
这些技巧不需要改变程序整体架构，也不要求你啃算法书，只要在写代码时多留一点心，就能把 Python 程序的“潜藏性能”挤出来。当然，优化前记得先用 timeit 或 cProfile 找到真正的瓶颈——优化那 20% 的热点，往往能解决 80% 的性能问题。