哈喽大家好，我是咸鱼

当谈到编程效率和性能优化时，Python 常常被调侃为“慢如蜗牛”

有趣的是，Python 代码在函数中运行往往比在全局范围内运行要快得多

小伙伴们可能会有这个疑问：为什么在函数中运行的 Python 代码速度更快？

今天这篇文章将会解答大家心中的疑惑

原文链接：https://stackabuse.com/why-does-python-code-run-faster-in-a-function/

译文

要理解为什么 Python 代码在函数中运行得更快，我们需要首先了解 Python 是如何执行代码的

我们知道，python 是一种解释型语言，它会逐行读取并执行代码

当运行一个 python 程序的时候，首先将代码编译成字节码（一种更接近机器码的中间语言）然后 python 解释器执行字节码

def hello_world():
    print("Hello, World!")

import dis
dis.dis(hello_world)

#结果
  2           0 LOAD_GLOBAL              0 (print)
              2 LOAD_CONST               1 ('Hello, World!')
              4 CALL_FUNCTION            1
              6 POP_TOP
              8 LOAD_CONST               0 (None)
             10 RETURN_VALUE

由上所示，python 中的 dis 模块将函数 hello_world 分解为字节码

需要注意的是，python 解释器是一个执行字节码的虚拟机，默认的 python 解释器是用 C 编写的，即 CPython

还有其他的 python 解释器如 Jython(用 Java 编写)，IronPython(用于 .net)和PyPy(用 Python 和 C 编写)

为什么 Python 代码在函数中运行得更快

我们来编写一个简单的例子：定义一个函数 my_function，函数内部包含一个 for 循环

def my_function():
    for i in range(100000000):
        pass

编译该函数的时候，字节码可能如下所示

  SETUP_LOOP              20 (to 23)
  LOAD_GLOBAL             0 (range)
  LOAD_CONST              3 (100000000)
  CALL_FUNCTION           1
  GET_ITER            
  FOR_ITER                6 (to 22)
  STORE_FAST              0 (i)
  JUMP_ABSOLUTE           13
  POP_BLOCK           
  LOAD_CONST              0 (None)
  RETURN_VALUE

这里的关键指令是 STORE_FAST ，用于存储循环变量 i

现在我们把这个 for 循环放在 python 脚本的顶层（全局范围内），然后再来看一下字节码

for i in range(100000000):
	pass

  SETUP_LOOP              20 (to 23)
  LOAD_NAME               0 (range)
  LOAD_CONST              3 (100000000)
  CALL_FUNCTION           1
  GET_ITER            
  FOR_ITER                6 (to 22)
  STORE_NAME              1 (i)
  JUMP_ABSOLUTE           13
  POP_BLOCK           
  LOAD_CONST              2 (None)
  RETURN_VALUE

可以看到关键指令变成了 STORE_NAME，而不是 STORE_FAST

字节码 STORE_FAST比 STORE_NAME 快，因为在函数中，局部变量存储在固定长度的数组中，而不是存储在字典中。这个数组可以通过索引直接访问，使得变量检索非常快

基本上，它只是一个指向列表的指针，并增加了 PyObject 的引用计数，这两个都是高效的操作

另一方面，全局变量存储在一个字典。当访问全局变量时，Python 必须执行哈希表查找，这涉及计算哈希值，然后检索与之关联的值

虽然经过优化，但仍然比基于索引的查找慢

基准测试验证

我们知道在 Python 中，代码执行的速度取决于代码执行的位置——在函数中还是在全局作用域中

让我们用一个简单的基准测试的例子来比较一下

首先定义一个求阶乘的函数

def factorial(n):
    result = 1
    for i in range(1, n + 1):
        result *= i
    return result

然后在全局范围内执行相同的代码

n = 20
result = 1
for i in range(1, n + 1):
    result *= i

为了对这两段代码进行基准测试，我们可以在 Python 中使用 timeit 模块，它提供了一种简单的方法来对少量 Python 代码进行计时

import timeit

# 函数
def benchmark():
    start = timeit.default_timer()

    factorial(20)

    end = timeit.default_timer()
    print(end - start)

benchmark()
# Prints: 3.541994374245405e-06

# 全局范围
start = timeit.default_timer()

n = 20
result = 1
for i in range(1, n + 1):
    result *= i

end = timeit.default_timer()
print(end - start) 
# Pirnts: 5.375011824071407e-06

可以看到，函数代码的执行速度比全局作用域代码要快

需要注意的是，这两段代码最好不要放在同一脚本中，要分开单独运行

这是因为 benchmark() 函数在执行时间上增加了一些开销，并且全局代码在内部进行了优化

cProfile 分析

python 提供了一个 cProfile 内置模块

让我们用它来分析一个新例子：在局部和全局范围内计算平方和

import cProfile

def sum_of_squares():
    total = 0
    for i in range(1, 10000000):
        total += i * i

i = None
total = 0
def sum_of_squares_g():
    global i
    global total
    for i in range(1, 10000000):
        total += i * i
    
def profile(func):
    pr = cProfile.Profile()
    pr.enable()

    func()

    pr.disable()
    pr.print_stats()
#
# Profile function code
#
print("Function scope:")
profile(sum_of_squares)

#
# Profile global scope code
#
print("Global scope:")
profile(sum_of_squares_g)

上面的例子中，可以认为sum_of_squares_g() 函数是全局的，因为它使用了两个全局变量， i 和 total

从性能分析结果中，可以看到函数代码在执行时间方面比全局更有效

Function scope:
         2 function calls in 0.903 seconds

   Ordered by: standard name

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
   1       0.903    0.903    0.903