Python الاحترافي: تسريع الكود
قبل التحسين نقيس (بـ time.perf_counter() أو بأداة تحليل الأداء) لنجد ما هو بطيء فعلًا. غالبًا تكون المشكلة حسابًا يُعاد آلاف المرات، أو بحثًا في قائمة (بطيء) بدل مجموعة set أو قاموس (فوري).
التخزين المؤقت للنتائج (memoization) يحفظ النتائج المحسوبة في الذاكرة. المزخرف @functools.lru_cache يفعل ذلك في سطر واحد: عند الاستدعاء الثاني بالمعاملات نفسها تعيد الدالة النتيجة مباشرة. فالدالة التعاودية التي كانت تقوم بملايين الاستدعاءات لا تقوم إلا بعشرات.
import time
from functools import lru_cache
def slow_fib(n):
return n if n < 2 else slow_fib(n - 1) + slow_fib(n - 2)
@lru_cache(maxsize=None)
def fast_fib(n):
return n if n < 2 else fast_fib(n - 1) + fast_fib(n - 2)
for f in (slow_fib, fast_fib):
start = time.perf_counter()
f(25)
print(f.__name__, "took", "a while" if time.perf_counter() - start > 0.01 else "almost nothing")