Codzy

Python pro : rendre son code plus rapide

Avant d'optimiser, on mesure (avec time.perf_counter() ou un profileur) pour trouver ce qui est vraiment lent. Souvent, le problème vient d'un calcul refait des milliers de fois, ou d'une recherche dans une liste (lente) au lieu d'un set ou d'un dictionnaire (instantané).

La mémoïsation garde en mémoire les résultats déjà calculés. Le décorateur @functools.lru_cache le fait en une ligne : au deuxième appel avec les mêmes arguments, la fonction renvoie directement le résultat. Une fonction récursive qui faisait des millions d'appels n'en fait plus que quelques dizaines.

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")

Commencer la leçon