Python語言其實(shí)很慢，為什么機(jī)器學(xué)習(xí)這種快速算法步驟通常還是用呢？對于那些使用了多種開發(fā)語言（Java、C#、nodejs、Erlang）然后轉(zhuǎn)到Python進(jìn)行機(jī)器學(xué)習(xí)的人，我想談?wù)勎业目捶?。?/p>

Python語言其實(shí)很慢，為什么機(jī)器學(xué)習(xí)這種快速算法步驟通常還是用呢？

對于那些使用了多種開發(fā)語言（Java、C#、nodejs、Erlang）然后轉(zhuǎn)到Python進(jìn)行機(jī)器學(xué)習(xí)的人，我想談?wù)勎业目捶ā?/p>

首先，Python真的很慢嗎？我的回答是真的。非常慢。for循環(huán)比CPP慢兩個(gè)數(shù)量級(jí)。

那么為什么要使用Python呢？如果我們遍歷超過一億個(gè)數(shù)據(jù)，兩個(gè)數(shù)量級(jí)的差異是不可接受的。但是，如果我們使用Python來執(zhí)行頂層邏輯并阻塞數(shù)以億計(jì)的數(shù)據(jù)，Python只會(huì)循環(huán)十幾次，剩下的就留給CPU和GPU了。所以兩個(gè)數(shù)量級(jí)無關(guān)緊要？一毫秒和100毫秒在整個(gè)系統(tǒng)中并不重要。

Python最大的優(yōu)點(diǎn)是它可以非常優(yōu)雅地將數(shù)據(jù)拋出到高效的C、CUDA中進(jìn)行計(jì)算。Numpy、panda、numba這些優(yōu)秀的開源庫可以非常方便高效地處理海量數(shù)據(jù)，借助ZMQ、cell等還可以做分布式計(jì)算，gevent借助epoll系統(tǒng)IO優(yōu)化。因此，它不需要花費(fèi)太多的精力就可以優(yōu)雅高效地完成海量數(shù)據(jù)處理和機(jī)器學(xué)習(xí)任務(wù)。這就是Python如此流行的原因。

好好想想。同樣的性能，代碼只有CPP或Java的三分之一或更少，不是很吸引人嗎？

python如何提高for循環(huán)效率？

這個(gè)答案適用于蟒蛇3。Xpython本身，這確實(shí)是相對緩慢的。但相對而言，python的編寫方式比directfor循環(huán)更快。例如，循環(huán)的標(biāo)準(zhǔn)編寫如下：對于范圍（10000）中的I:I**2，速度較慢，而標(biāo)準(zhǔn)編寫的嵌套循環(huán)速度較慢。它可以重寫為一個(gè)列表推理：[I**2 for I in range（10000）]，這比direct for loop的標(biāo)準(zhǔn)編寫方法快得多。此外，它還可以使用Python的高級(jí)函數(shù)映射來執(zhí)行自動(dòng)并行計(jì)算。它也可以寫成列表（map（lambda I:I**2，range（10000）））。map函數(shù)幾乎和list推理一樣快。

python循環(huán)內(nèi)要處理大量數(shù)據(jù)時(shí)怎么優(yōu)化？

先嘗試優(yōu)化程序的時(shí)間復(fù)雜度，找到更有效的算法

在確保算法復(fù)雜度在可接受范圍內(nèi)后，開始不斷優(yōu)化。下面是一些Python優(yōu)化的技巧：

實(shí)際測量表明for語句通常比while語句更有效

類似地，實(shí)際測量表明，xrange一般比range更有效

如果要存儲(chǔ)動(dòng)態(tài)數(shù)據(jù)（即有一個(gè)可執(zhí)行數(shù)據(jù)可以頻繁更改），請少用list和STR，多用dict

測量表明，兩個(gè)STR的連接效率是從高到低=，join，

多個(gè)str的連接效率由高到低=，

盡量使用list解析表達(dá)式和generator表達(dá)式而不是循環(huán)來構(gòu)建list

無論從代碼效率還是可移植性方面，都要避免使用global關(guān)鍵字