第一招：蛇打七寸：定位瓶颈
首先，第一步是定位瓶颈。举个简单的栗子，一个函数可以从1秒优化到到0.9秒，另一个函数可以从1分钟优化到30秒，如果要花的代价相同，而且时间限制只能搞定一个，搞哪个？根据短板原理，当然选第二个啦。
一个有经验的程序员在这里一定会迟疑一下，等等？函数？这么说，还要考虑调用次数？如果第一个函数在整个程序中需要被调用100000次，第二个函数在整个程序中被调用1次，这个就不一定了。举这个栗子，是想说明，程序的瓶颈有的时候不一定一眼能看出来。还是上面那个选择，程序员的你应该有感觉的，大多数情况下：一个「可以」从一分钟优化到30秒的函数会比一个「可以」从1秒优化到0.9秒的函数更容易捕获我们的注意，因为有很大的进步空间嘛。
所以，这么多废话讲完，献上第一招，profile。这是 python 自带的定位程序瓶颈的利器！虽然它提供了三种选项profile，cProfile，hotshot。还分为内置和外置。但是，个人觉得一种足矣，外置cProfile。心法如下：
python -m profile 逗比程序.py</div>
这招的效果会输出一系列东西，比如函数被调用了几次，总时间多少，其中有多少是这个函数的子函数花费的，每次花多少时间，等等。嘛一图胜千言：
filename:lineno(function): 文件名：第几行（函数名）
ncalls: 这货一共调用了几次
tottime: 这货自己总共花了多少时间，也就是要除掉内部函数小弟们的花费
percall: 平均每次调用花的时间，tottime 除以 ncalls
cumtime: 这货还有它的所有内部函数小弟们的总花费
percall: 跟上面那个 percall 差不多，不过是 cumtime 除以 ncalls
找到最值得优化的点，然后干吧。
第二招：一蛇禅：只需一招
记得刚开始接触 Python 的时候，有一位学长告诉我，Python 有一个牛逼的理想，它希望每一个用它的人能写出一模一样的程序。Python 之禅有云：
There should be one-- and preferably only one --obvious way to do it
所以 Python 系专业的禅师提供了一些常用功能的 only one 的写法。本人看了一下传说中的PythonWiKi:PerformanceTips，总结了几个「不要酱紫」「要酱紫」。
合并字符串的时候不要酱紫：
s = "" for substring in list: s += substring</div>
要酱紫：
s = "".join(slist)</div>
格式化字符串的时候不要酱紫：
out = "<html>" + head + prologue + query + tail + "</html>"</div>
要酱紫：
out = "<html>%s%s%s%s</html>" % (head, prologue, query, tail)</div>
可以不用循环的时候就不要用循环，比如不要酱紫：
newlist = [] for word in oldlist: newlist.append(word.upper())</div>
要酱紫：
newlist = map(str.upper, oldlist)</div>
或者酱紫：
newlist = [s.upper() for s in oldlist]</div>
字典初始化，比较常用的：
wdict = {} for word in words: if word not in wdict: wdict[word] = 0 wdict[word] += 1
</div>
如果重复的 word 太多了的话，可以考虑用酱紫的模式来省掉大量判断：
wdict = {} for word in words: try: wdict[word] += 1 except KeyError: wdict[word] = 1
</div>
尽量减少 function 调用次数，用内部循环代替，比如，不要酱紫：
x = 0 def doit1(i): global x x = x + i list = range(100000) t = time.time() for i in list: doit1(i)</div>
要酱紫：
x = 0 def doit2(list): global x for i in list: x = x + i list = range(100000) t = time.time() doit2(list)</div>
第三招：蛇之狙击：高速搜索
这一招部分来源于IBM:Python 代码性能优化技巧，搜索算法的最高境界是O(1)的算法复杂度。也就是 Hash Table。本人幸本科的时候学了点数据结构。知道 Python 的 list 使用类似链表的方法实现的。如过列表很大的话，在茫茫多的项里面用 if X in list_a 来做搜索和判断效率是非常低的。
Python 的 tuple 我用得非常少，不评论。另两个我用得非常多的是 set 和 dict。这两个就是用的类似 Hash Table 的实现方法。
所以尽量不要酱紫：
k = [10,20,30,40,50,60,70,80,90] for i in xrange(10000): if i in k: #Do something continue</div>
要酱紫：
``` k = [10,20,30,40,50,60,70,80,90] k_dict = {i:0 for i in k}
</div>
先把 list 转换成 dictionary
for i in xrange(10000): if i in k_dict: #Do something continue ```</div>
找 list 的交集，不要酱紫：
list_a = [1,2,3,4,5] list_b = [4,5,6,7,8] list_common = [a for a in list_a if a in list_b]</div>
要酱紫：
list_a = [1,2,3,4,5] list_b = [4,5,6,7,8] list_common = set(list_a)&set(list_b)</div>
第四招：小蛇蛇……：想不出来名字了，就是各种小 Tips
变量交换不需要中间变量：a,b = b,a (这里有个神坑，至今记忆深刻：True,False = False,True)
如果使用 Python2.x，用 xrange 代替 range，如果用 Python3.x，range 已经是 xrange 了，xrange 已经木有了。xrange 不会像 range 一样生成一个列表，而是生成一个迭代器，省内存。
可以用 x>y>z 代替 x>y and y>z。效率更高，可读性也更好。当然理论上 x>y
add(x,y) 一般会比 a+b 要快？这个本人有所怀疑，实验了一下，首先 add 不能直接用，要 import operator，第二，我的实验结果表示 add(x,y) 完全没有 a+b 快，更何况还要牺牲可读性。
while 1 确实比 while True 要快那么一点点。做了两次实验，大概快了15%左右。
第五招：无蛇胜有蛇：代码之外的性能
代码之外嘛，除了硬件之外，就是编译器了，这里隆重推荐 pypy。pypy是一种叫做 just-in-time 的即时编译器。这个编译器的特点就是编译一句跑一句，和静态的编译器的区别嘛，我在知乎上看到一个非常形象的比喻：
假定你是一个导演，静态编译就是让演员把整个剧本背下来吃透，然后连续表演一个小时。动态编译就是让演员表演两分钟，然后思考一下，再看一下剧本，再表演两分钟……
动态编译和静态编译各有所长，看你演的是电影还是话剧了。
此外还有一个 Cython 可以在 python 里内置一些 C 的代码。我用的非常少，但是关键时刻确实有效。
</div>