کد خود را تسریع کنید: تکنیک‌های ضروری بهینه‌سازی عملکرد پایتون

پایتون به خاطر خوانایی و قابلیت‌های توسعه سریع خود معروف است، اما اغلب در مورد سرعت اجرا در مقایسه با زبان‌های کامپایل‌شده مانند C++ یا Go مورد انتقاد قرار می‌گیرد. با این حال، برای توسعه‌دهندگان متوسط و پیشرفته، این شکاف در حال کاهش است. با استراتژی‌های بهینه‌سازی مناسب، پایتون می‌تواند پردازش داده‌های با حجم بالا، تحلیل‌های بلادرنگ و وظایف محاسباتی پیچیده را با کارایی چشمگیری انجام دهد. این پست به بررسی تکنیک‌های عملی و قابل اجرا می‌پردازد تا عملکرد بیشتری از برنامه‌های پایتون خود بگیرید، بدون اینکه از قابلیت نگهداری کد بکاهید.

۱. قبل از بهینه‌سازی، پروفایل بگیرید

قانون طلایی مهندسی عملکرد این است: حدس نزنید، اندازه‌گیری کنید. بهینه‌سازی زودهنگام می‌تواند منجر به کدی شلوغ و سخت برای نگهداری شود. قبل از اعمال هرگونه بهینه‌سازی‌های سنگین، باید گلوگاه‌ها را شناسایی کنید. پایتون ابزارهای داخلی عالی‌ای برای این منظور ارائه می‌دهد.

از ماژول cProfile برای تحلیل زمان صرف شده در هر تابع استفاده کنید. در اینجا یک قطعه کد ساده برای پروفایل کردن یک اسکریپت آورده شده است:

import cProfile

def my_slow_function():
    # شبیه‌سازی انجام کاری
    for i in range(1000000):
        pass
    return True

cProfile.run('my_slow_function()')

در عوض، برای پروفایلینگ حافظه، کتابخانه‌هایی مانند tracemalloc (داخلی) یا pympler می‌توانند به شناسایی نشت حافظه یا تخصیص‌های بیش از حد کمک کنند.

۲. از ساختارهای داده داخلی بهره ببرید

کتابخانه استاندارد پایتون در C پیاده‌سازی شده و بسیار بهینه است. استفاده از ساختارهای داده داخلی مانند list، dict و set اغلب سریع‌تر از نوشتن منطق سفارشی یا استفاده از کتابخانه‌های شخص ثالث برای وظایف ساده است.

تفاوت بین بررسی عضویت در یک لیست و یک مجموعه (set) را در نظر بگیرید. بررسی لیست O(n) است، در حالی که بررسی مجموعه به طور متوسط O(1) است. اگر به طور مکرر وجود آیتم‌ها را بررسی می‌کنید، مجموعه‌های خود را به set تبدیل کنید.

# کند: جستجوی O(n)
data_list = [1, 2, 3, ..., 1000000]
if 999999 in data_list:
    print("Found")

# سریع: جستجوی O(1)
data_set = set(range(1000000))
if 999999 in data_set:
    print("Found")

۳. از درک لیست (List Comprehensions) و عبارات تولیدکننده (Generator Expressions) استفاده کنید

درک لیست نه تنها پایتونیک‌تر است، بلکه سریع‌تر از حلقه‌های for معادل با .append() نیز می‌باشد، زیرا حلقه درون مفسر در C اجرا می‌شود و بار اضافی کد بایت را کاهش می‌دهد.

# روش کندتر
squares = []
for x in range(1000):
    squares.append(x ** 2)

# روش سریع‌تر
squares = [x ** 2 for x in range(1000)]

هنگام کار با مجموعه‌داده‌های بزرگ، به جای درک لیست از عبارات تولیدکننده استفاده کنید. تولیدکننده‌ها آیتم‌ها را یکی‌یکی (ارزیابی تنبل یا Lazy Evaluation) باز می‌گردانند و از بارگذاری کل مجموعه‌داده در حافظه در یک زمان جلوگیری می‌کنند.

۴. جستجوی متغیرهای سراسری را به حداقل برسانید

در پایتون، جستجوی متغیرهای سراسری به دلیل فرآیند حل محدوده (Scope Resolution)، کندتر از جستجوی متغیرهای محلی است. اگر حلقه‌های داخلی حساس به عملکرد می‌نویسید، ثابت‌ها یا توابع پرکاربرد را به عنوان آرگومان‌های پیش‌فرض یا متغیرهای محلی عبور دهید.

# کند: جستجوی سراسری در هر تکرار
import math
def slow_sqrt(numbers):
    results = []
    for n in numbers:
        results.append(math.sqrt(n))
    return results

# سریع: جستجوی محلی
import math
def fast_sqrt(numbers):
    sqrt = math.sqrt  # مرجع محلی
    results = [sqrt(n) for n in numbers]
    return results

۵. افزونه‌های C و جایگزین‌ها را در نظر بگیرید

برای وظایفی که محدود به پردازنده (CPU-bound) هستند و نمی‌توان آن‌ها را در پایتون خالص بیشتر بهینه کرد، استفاده از کتابخانه‌هایی مانند NumPy برای محاسبات عددی یا Cython برای کامپایل کد شبیه پایتون به C را در نظر بگیرید. NumPy از بردشمار (Vectorization) بهره می‌برد و اجازه می‌دهد عملیات روی کل آرایه‌ها در C انجام شود که چندین مرتبه بزرگی سریع‌تر از تکرار روی لیست‌های پایتون است.

نتیجه‌گیری

بهینه‌سازی کد پایتون یک فرآیند تکراری است که نیاز به تعادل بین خوانایی و سرعت دارد. با پروفایل کردن برنامه خود برای یافتن گلوگاه‌های واقعی شروع کنید. از ساختارهای داده داخلی بهینه پایتون استفاده کنید، درک لیست را ترجیح دهید و جستجوی محدوده را به حداقل برسانید. برای نیازهای عملکردی شدید، از افزونه‌های C یا کتابخانه‌های بردشمار استفاده کنید. با به کارگیری این تکنیک‌ها، می‌توانید برنامه‌های پایتون قدرتمند و با عملکرد بالا بسازید که به طور کارآمد مقیاس‌پذیر باشند.