Python性能优化的一般步骤：
步骤1：找到性能 瓶颈
步骤2：优化性能 瓶颈
步骤3：goto 『步骤1』
找出瓶颈
不要相信直觉，使用专业工具
使用专业工具：
profile / cprofile
line_profiler
ipython: %prun
使用 timeit 模块来评判性能
import timeit
timeit.Timer(…).timeit()
ipython: %prun例一：
def function1():
for item in range(1000000):
pass在python2中，range的实现方式是直接在内存中开辟一个静态的数组，而xrange则是通过迭代的方式动态的去生成，所以显而易见，在需要的数据量特别大的时候，range则会非常的耗费内存，所以其优化方式如下：
def function2():
for item in xrange(1000000):
pass简单来说，就是在需要range时，用xrange来代替，需要注意的是，在python3中，已经用xrange来代替range了，所以在python3里面，不存在这种性能问题。
例二：
def function1(l):
result = []
for i in l:
if i % 2 == 0:
result.append(i)
return result列表迭代式相对与一般的for循环或while循环迭代方式拥有更好的性能，所以可以用列表迭代式进行代替，但是这样会大大降低代码的可读性，所以在性能和代码可读性方面要认真权衡。
def function2(l):
return [i for i in l if i % 2 == 0]例三：
def add_two(i):
return i + 2
def function1(l):
result = []
for item in l:
result.append(chr(add_two(item)))
return result在python里，访问局部变量的速度要快于访问全剧变量，并且函数调用开销也是不容忽视的。因此，可以通过以下方式来进行优化：
def function2(l):
result = []
lchr = chr
for item in l:
result.append(lchr(item + 1))
return result例四：
l = range(10000)
def function1():
return 9000 in l上边提到过，range的效率是相当低的，这是第一点，第二点是在判断一个数是否在一个列表中时，采用迭代的方式来判断，其时间复杂度是O(n)，而当采用set时，由于set的实现方式是基于哈希的方式进行存取的，故在找一个元素是否在一个列表里的时候，其时间复杂度为O(1)，效率提高了n倍，而且n越大，效率提高的就越明显。
s = set(range(10000))
def function2(item):
return item in s例五：
def function1():
l = []
for i in xrange(10000):
l.insert(0, i)这段代码的功能是往列表里面插入1-10000，且每次将新的元素插入到列表0号位置，但是由于列表的特性，每次插入到最左端的话，就需要将列表已存入的值整体右移，再将新的值插入0号位置。这样将使大量的时间耗费在移动元素上，造成效率低下，对于这种要求，我们可以使用deque来做双端队列。总结来说就是用正确的结构来做正确的事情。类似的结构还有：bisect / heapq / array / collections等。
from collections import deque
def function2():
l = deque()
for i in xrange(10000):
l.appendleft(i)本文固定链接：http://blog.dreamchasinger.cn/?p=603
欢迎访问我的自建博客：http://blog.dreamchasinger.cn