Codzy

Python professionale: rendere il codice più veloce

Prima di ottimizzare si misura (con time.perf_counter() o un profiler) per trovare ciò che è davvero lento. Spesso il problema è un calcolo ripetuto migliaia di volte, o una ricerca in una lista (lenta) invece che in un set o in un dizionario (istantanei).

La memoizzazione tiene in memoria i risultati già calcolati. Il decoratore @functools.lru_cache lo fa in una riga: alla seconda chiamata con gli stessi argomenti, la funzione restituisce subito il risultato. Una funzione ricorsiva che faceva milioni di chiamate ne fa solo qualche decina.

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")

Inizia la lezione