一、時間不一致的猜想

python腳本運行時間遠遠大于python腳本中統計的計算時間

猜想：

1.python中用到的是py2neo的寫數據異步，阻塞進程運行；

2.python腳本使用統計時間的方式是time.clock(),而這種方式統計的是CPU的執行時間，不是程序的執行時間。

程序執行時間 = CPU運行時間 + IO時間 + 休眠或等待時間

二、原因探索

1.方法一

import asyncio
import datetime
starttime = datetime.datetime.now()
# long running
# do something other

async def sayhi():
    print("你好，若竹")
    await asyncio.sleep(10)
    print("用余生去守護")

asyncio.run(sayhi())


endtime = datetime.datetime.now()
print(("程序運行時間為：")+ str((endtime-starttime).seconds)+"秒")

輸出：

你好，若竹
用余生去守護
程序運行時間為：10秒

datetime.datetime.now()獲取的是當前日期，在程序執行結束之后，這個方式獲得的時間值為程序執行的時間。

2.方法二

import asyncio
import datetime
import time

starttime = time.time()
# long running
# do something other

async def sayhi():
    print("你好，若竹")
    await asyncio.sleep(10)
    print("用余生去守護")

asyncio.run(sayhi())

endtime = time.time()
print("程序運行時間為："+ str(float(endtime-starttime))+"秒")

輸出：

你好，若竹
用余生去守護
程序運行時間為：10.002257108688354秒

time.time()獲取自紀元以來的當前時間（以秒為單位）。如果系統時鐘提供它們，則可能存在秒的分數，所以這個地方返回的是一個浮點型類型。這里獲取的也是程序的執行時間。

3.方法三

import asyncio
import datetime
import time

starttime = time.clock()
# long running
# do something other

async def sayhi():
    print("你好，若竹")
    await asyncio.sleep(10)
    print("用余生去守護")

asyncio.run(sayhi())

endtime = time.clock()
print("程序運行時間為："+ str(float(endtime-starttime))+"秒")

輸出：

.\py_study.py:807: DeprecationWarning: time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead
? starttime = time.clock()
你好，若竹
用余生去守護
.\py_study.py:818: DeprecationWarning: time.clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time.perf_counter or time.process_time instead
? endtime = time.clock()
程序運行時間為：10.0219916秒

Deprecation Warning: time. clock has been deprecated in Python 3.3 and will be removed from Python 3.8: use time. perf_counter or time. process_time instead

棄用警告:時間。clock在Python 3.3中已棄用，并將從Python 3.8中移除:使用time。perf_counter或時間。process_time代替。

代碼如下：

import asyncio
import datetime
import time

starttime = time.perf_counter()
# long running
# do something other

async def sayhi():
    print("你好，若竹")
    await asyncio.sleep(10)
    print("用余生去守護")

asyncio.run(sayhi())

endtime = time.perf_counter()
print("程序運行時間為："+ str(float(endtime-starttime))+"秒")

輸出：

你好，若竹
用余生去守護
程序運行時間為：10.060287599999999秒

三、python 運行效率慢的原因

1.簡介

編程語言的效率一方面指開發效率，即程序員完成編碼所需的時間，另一方面是運行效率，即計算任務所需的時間。編碼效率和運行效率往往很難兼顧。

2.運行效率慢的原因

1.python 是動態語言，造成運行時的不確定性影響運行效率；

動態語言是一類在運行時可以改變其結構的語言，如新的函數、對象、代碼可以被引入，已有的函數可以被刪除或其他結構上的變化等，該類語言更具有活性，但是不可避免的因為運行時的不確定性也影響運行效率。數據的比較和轉換類型的開銷很大，每次讀取、寫入或引用一個變量，都要檢查類型。很難優化一種極具動態性的語言。Python的許多替代語言之所以快得多，原因在于它們為了性能在靈活性方面作出了犧牲。

2.python 是解釋執行，不支持JIT（just in time compiler）;

相比于C語言編譯性語言編寫的程序，Python是解釋執行語言，其運行過程是Python運行文件程序時，Python解釋器將源代碼轉換為字節碼，然后再由Python解釋器來執行這些字節碼。其每次運行都要進行轉換成字節碼，然后再由虛擬機把字節碼轉換成機器語言，最后才能在硬件上運行，與編譯性語言相比，其過程更復雜，性能肯定會受影響。

3.python 中一切皆對象，每個對象都需要維護引用計數，增加額外工作；

Python是一門面向對象的編程語言，其設計理念是一切皆是對象，如數字、字符串、元組、列表、字典、函數、方法、類、模塊等都是對象，包括代碼，每個對象都需要維護引用計數，因此，增加了額外工作，影響了性能。

4.python GIL，全局解釋器鎖導致無法實現真正的并發；

GIL是Python最為詬病的一點，因為GIL，Python中的多線程并不能真正的并發，即使在單線程，GIL也會帶來很大的性能影響，因為python每執行100個opcode就會嘗試線程的切換，因此，影響Python運行效率。

5.垃圾回收機制，會中斷正在執行的程序，造成所謂的卡頓；

Python采用標記和分代的垃圾回收策略，每次垃圾回收的時候都會中斷正在執行的程序，造成所謂的頓卡，影響運行效率。

四、python 優化

1.優化算法：時間復雜度

算法的時間復雜度對程序的執行效率影響最大，在python 中可以通過選擇合適的數據結構來優化時間復雜度，如list和set查找某一個元素的時間復雜度分別是O(n)和O(1).不同的場景有不同的優化方式，總的來說，一般有分治，分支界限，貪心，動態規劃等。

20減少冗余數據

如用上三角或下三角的方式去保存一個大的對稱矩陣。在0元素占大多數的矩陣里使用稀疏矩陣表示。

3.合理使用copy與deepcopy

對于dict和list等數據結構的對象，直接賦值使用的是引用的方式。而有些情況下需要復制整個對象，這時可以使用copy包里的copy和deepcopy，這兩個函數的不同之處在于后者是遞歸復制的。效率也不一樣：(以下程序在ipython中運行)

4.使用dict或set查找元素

5.合理使用生成器(generator)和yield

6.優化循環

7.優化包含多個判斷表達式的順序

8.使用join合并迭代器中的字符串

9.選擇合適的格式化字符方式

10.不借助中間變量交換兩個變量的值

11.使用if is

12.使用級聯比較x < y < z

13.while 1 比 while True 更快

14.使用**而不是pow

15.使用 cProfile, cStringIO 和 cPickle等用c實現相同功能(分別對應profile, StringIO, pickle)的包

16.使用最佳的反序列化方式

17.使用C擴展(Extension)

18.并行編程

19.終級大殺器：PyPy

20.使用性能分析工具