不吹不黑，看完你也能把脚本跑得比隔壁 Go 还快！🚀
🎯 一句话总结（先给干货）
- 先写对算法 🧠
- 再把循环换成向量化/编译 🚀
- 最后把 GIL 甩了用多核/异步 🌪️
🪄 目录（30 秒扫完）
| 章节 | 加速倍数 | 难度 |
|---|---|---|
| 🧪 算法大O | 0→10× | ⭐ |
| 🔄 向量化 | 10→50× | ⭐⭐ |
| ⚡️ JIT 编译 | 50→100× | ⭐⭐⭐ |
| 🔓 绕过 GIL | 再 ×N 核 | ⭐⭐⭐⭐ |
🧪 1 算法大O —— 先别写“笨循环”
🔍 案例：去重
# ❌ O(n²)uniq=[]forxindata:ifxnotinuniq:# 线性查找uniq.append(x)# ✅ O(n)uniq=set(data)# 哈希表⚡️ 1 行代码，10000 条数据提速80 倍！
🔄 2 向量化 —— 把 Python 循环“扔”给 C
🔍 案例：两数组相加
# ❌ 纯 Pythonz=[a[i]+b[i]foriinrange(n)]# ✅ NumPy 广播z=a+b📊 1 亿次计算对比：
| 方式 | 耗时 |
|---|---|
| for-loop | 12.0 s |
| NumPy | 0.14 s |
| 👉85× 加速！CPU 的 SIMD 单元一次处理 8 个数，Python 层只是“指挥官”。 |
⚡️ 3 JIT 编译 —— 给函数“打鸡血”
🔧 工具：Numba（pip 即可装）
fromnumbaimportnjitimportnumpyasnp@njit(parallel=True)# ← 魔法装饰器defmonte_carlo_pi(n):x=np.random.random(n)y=np.random.random(n)returnnp.sum(x*x+y*y<=1)*4/nprint(monte_carlo_pi(100_000_000))📈 实测：1 亿次采样
- 纯 Python：48 s
- Numba JIT：0.38 s
🚀127× 加速！还自带多线程！
🔓 4 绕过 GIL —— 让 8 核一起飙
4-a 🌊 异步（I/O 密集）
importaiohttp,asyncioasyncdefdownload(url):asyncwithaiohttp.ClientSession()ass:asyncwiths.get(url)asr:returnawaitr.read()urls=[...]*200asyncio.run(asyncio.gather(*map(download,urls)))⚡️ 200 个图片4.1 s下完，线程版需要9.8 s！
4-b 🧱 多进程（CPU 密集）
frommultiprocessingimportPooldefcrunch(x):returnsum(i*iforiinrange(x))withPool()asp:# 默认 = 核数print(p.map(crunch,jobs))🔥 8 核全开 → 耗时÷8，真·并行！
4-c 🦀 Rust 扩展（终极杀器）
#[pyfunction]fnmatmul(a:&[f64],b:&[f64])->Vec<f64>{...}🚀 矩阵乘法再提速10×，内存安全还无 GC！
📊 一张图总结：加速路线
graph TD A[Python 慢] --> B{算法对?} B -->|O(n²)| C[改 O(n)] B -->|已最优| D{循环多?} D -->|是| E[NumPy 向量化] D -->|否| F{热函数?} F -->|是| G[Numba JIT] F -->|否| H{多核?} H -->|I/O| I[async] H -->|CPU| J[multiprocess] H -->|极致| K[Rust 扩展]每跳一级，速度 ≈乘 10！
🎁 实战礼包
- 性能火焰图：
pip install py-spy && py-spy top -p PID - 一键检查缓存：
python -m compileall . - JIT 可视化：
numba --annotate-html foo.py
💡 写在最后
Python 慢？99% 是你没用对执行模型！
记住3 板斧：
① 算法 ✅ ② 向量化/JIT ✅ ③ 绕过 GIL ✅
👇评论区打卡
“我用第 __ 招把 __ 从 __s 降到 __s！”
点赞前 20 名送《Python 性能速查表》高清 PDF 🖼️
#Python性能 #JIT #Numba #GIL #加速100倍 #技术干货 🚀
