2025-08-02 08:00:00
本周刊由 Python猫 出品,精心筛选国内外的 400+ 信息源,为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景:帮助所有读者精进 Python 技术,并增长职业和副业的收入。
温馨提示: 在微信关注 Python猫,发送数字“9”,即可领取 9 折优惠码,订阅专栏可享 15 元优惠。
去专栏阅读全文:全文链接
分享了 12 篇文章,12 个开源项目,1 则音视频
以下是本期标题摘要:
① 探秘 CPython 3.14 远程调试
② 深入解释器:Python 的攻击性应用
③ 从 Async/Await 到虚拟线程
④ Python JIT 编译器的后续进展
⑤ asyncio:一个充满痛点的库
⑥ 开发自主性系统:AI 智能体工作流指南
⑦ 大模型架构深度对比:从 DeepSeek-V3 到 Kimi K2
⑧ 用 Python + uv + pytest 打造自动化方案
⑨ PyPI 钓鱼攻击事件报告
⑩ 一行注释也能执行 Python 代码?
⑪ 深入理解 Flask 应用与请求上下文机制
⑫ AI 是否正在抛弃 Python 社区?
① mediacms:视频和媒体管理系统
② darkdump:深度网络抓取的情报分析工具
③ ii-agent:开发和部署 AI 智能体的框架
④ copyparty:便携式文件服务器
⑤ ai-cookbook:AI 系统开发示例和教程
⑥ agno:多智能体系统全栈框架
⑦ abogen:文本转有声书生成器
⑧ CCPlugins:Claude Code 生产力插件
⑨ LangExtract:结构化信息提取库
⑩ PicTex:创建精美文本图像的 Python 库
⑪ html-to-markdown:现代化的 HTML 转 Markdown 转换器
⑫ erys: Jupyter Notebook 的终端交互界面
① Talk Python To Me 第513期:Python 历史故事
周刊实行付费订阅制,年费 148 元,平均每天 4 毛钱,为你精准筛选高质量技术内容。在信息洪流中为你淘金,助力技术视野拓展和职业发展,欢迎订阅:https://xiaobot.net/p/python_weekly
订阅后,可免费查看 第 113 期周刊的全文:https://www.xiaobot.net/post/9b21ec46-0786-4d6a-b95d-e997f9f0ebbc
微信关注 Python猫:https://img.pythoncat.top/python_cat.jpg
2025-07-26 08:00:00
本周刊由 Python猫 出品,精心筛选国内外的 400+ 信息源,为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景:帮助所有读者精进 Python 技术,并增长职业和副业的收入。
温馨提示: 在微信关注 Python猫,发送数字“9”,即可领取 9 折优惠码,订阅专栏可享 15 元优惠。
去专栏阅读全文:全文链接
分享了 13 篇文章,12 个开源项目
以下是本期标题摘要:
① Python 列表推导式的解包操作
② 使用 AtomicDict 进行多线程聚合
③ PEP 799:专用的 profilers 包来整合 Python 性能分析工具
④ Python 元编程层
⑤ 探索 Python 3.14 的远程调试协议
⑥ 如何避免 Django 中的 N+1 查询问题
⑦ Toad:终端中 AI 智能体编程的通用 UI
⑧ Python 打包工具完整指南 2025
⑨ Python 社区拥抱 AI 时代的编程新人
⑩ Python 中"Parse, don't validate"的含义
⑪ 修复 Python 管道输出中的 BrokenPipeError
⑫ 我最喜欢的 AI 应用场景是写日志
⑬ 如何理解编程中的时间?
① Qwen3-Coder:阿里最新开源编程大模型
② awesome-claude-code:Claude Code 精选资源集合
③ open_deep_research:开源深度研究 AI 智能体
④ PhotoshopAPI:高性能的 Photoshop 文件解析器
⑤ LanceDB:多模态 AI 数据湖仓
⑥ MediaManager:自托管的媒体管理系统
⑦ fstrings.wtf:Python F-String 知识测验
⑧ complexipy:Python 代码复杂度分析工具
⑨ ART:AI 智能体强化学习训练器
⑩ NeuralAgent:桌面 AI 智能体助手
⑪ SkyReels-V2:无限长度视频生成模型
⑫ gitingest:将 Git 仓转换为适合 LLM 的文本摘要
周刊实行付费订阅制,年费 148 元,平均每天 4 毛钱,为你精准筛选高质量技术内容。在信息洪流中为你淘金,助力技术视野拓展和职业发展,欢迎订阅:https://xiaobot.net/p/python_weekly
订阅后,可免费查看 第 112 期周刊的全文:https://www.xiaobot.net/post/8160f6ba-ff62-4cdd-8023-9a191cbc47ed
微信关注 Python猫:https://img.pythoncat.top/python_cat.jpg
2025-07-19 08:00:00
本周刊由 Python猫 出品,精心筛选国内外的 400+ 信息源,为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景:帮助所有读者精进 Python 技术,并增长职业和副业的收入。
温馨提示: 在微信关注 Python猫,发送数字“9”,即可领取 9 折优惠码,订阅专栏可享 15 元优惠。
去专栏阅读全文:全文链接
分享了 13 篇文章,13 个开源项目,1 则音视频
以下是本期标题摘要:
① Django 20 周年快乐!
② 用 Python 探索 Llama Stack:工具调用和智能体
③ 从 SQL 到 SQLModel:Python 操作数据库的更简洁方式
④ 有时候,继承胜过组合
⑤ 2025 年的 Python 和 Make
⑥ 用 Asyncio Protocols 开发简单 HTTP 服务器
⑦ 面向数据科学家的 DuckDB 深度解析
⑧ 我正在转向 Python 并且真的喜欢它
⑨ 2048:迭代器和可迭代对象
⑩ 如何严重搞错 Django 外键?
⑪ Python 日志记录:可观测性实用指南
⑫ 前员工分享 OpenAI 工作体验
⑬ 关于在开源软件中使用大模型的思考
① Kimi-K2:先进的智能代理大模型
② BrowserOS:开源智能代理浏览器
③ macOS-use:让 AI 代理控制 Mac 应用
④ SuperClaude:Claude Code 增强框架
⑤ pymanager:Python 安装管理器
⑥ mcp-for-beginners:微软推出的 MCP 入门教程
⑦ acp:新的 AI 智能体通信协议
⑧ RapidOCR:多平台多语言 OCR 工具包
⑨ Voxtral:开源语音理解模型
⑩ html-to-markdown:现代化 HTML 转 Markdown 工具
⑪ aiosqlitepool:高性能异步 SQLite 连接池
⑫ epub-translator:AI 驱动的 EPUB 电子书翻译工具
⑬ ai-engineering-hub:LLM 和 AI 智能体深度教程
① PyData London 2025 视频合集(50个)
周刊实行付费订阅制,年费 148 元,平均每天 4 毛钱,为你精准筛选高质量技术内容。在信息洪流中为你淘金,助力技术视野拓展和职业发展,欢迎订阅:https://xiaobot.net/p/python_weekly
订阅后,可免费查看 第 111 期周刊的全文:https://www.xiaobot.net/post/28dfc557-09c9-4ca2-8f49-4e9231415908
微信关注 Python猫:https://img.pythoncat.top/python_cat.jpg
2025-07-12 08:00:00
本周刊由 Python猫 出品,精心筛选国内外的 400+ 信息源,为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景:帮助所有读者精进 Python 技术,并增长职业和副业的收入。
温馨提示: 在微信关注 Python猫,发送数字“9”,即可领取 9 折优惠码,订阅专栏可享 15 元优惠。
分享了 12 篇文章,12 个开源项目。去专栏阅读全文:全文链接
以下是本期标题摘要:
① CPython JIT 编译器两年回顾
② 类型系统正在改变 Python
③ 用 uv 依赖解析器解决 Wordle
④ 使用 FastAPI、MongoDB 和 WebSockets 开发实时仪表板
⑤ Python 类型检查中的逆变问题解决方案
⑥ LangFlow 教程:用可视化工作流构建生产级 AI 应用
⑦ FastAPI 推荐服务的扩展实战
⑧ 让扩展适配自由线程 Python
⑨ Augmented Coding:超越感觉
⑩ 智能体的上下文工程
⑪ PyTorch 已死,JAX 万岁
⑫ 操作者,而非用户和程序员
① trae-agent:基于 LLM 的通用软件工程智能体
② xai-sdk-python:xAI 官方 Python SDK
③ desto:tmux 会话中的脚本管理工具
④ devin.cursorrules:将 Cursor 转换为 Devin 级 AI 助手
⑤ LingChat:灵动的 AI 聊天陪伴助手
⑥ rowboat:AI 驱动的多智能体构建器
⑦ agent-factory:智能体工作流代码生成工具
⑧ throttled-py:高性能 Python 限流库
⑨ tubearchivist:自托管 YouTube 媒体服务
⑩ mlx-audio:基于 Apple MLX 框架的语音处理库
⑪ sloppy-xml-py: 容错性 XML 解析库
⑫ Python-Scripts: 自动化任务 Python 脚本集合
周刊实行付费订阅制,年费 148 元,平均每天 4 毛钱,为你精准筛选高质量技术内容。在信息洪流中为你淘金,助力技术视野拓展和职业发展,欢迎订阅:https://xiaobot.net/p/python_weekly
订阅后,可免费查看 第 110 期周刊的全文:https://www.xiaobot.net/post/a3c4b6b4-b60b-4d43-86b1-c179bd361cc7
微信关注 Python猫:https://img.pythoncat.top/python_cat.jpg
2025-07-09 08:00:00
花下猫语:性能优化是每个程序员的必修课,但你是否想过,除了更换算法,还有哪些“大招”?这篇文章堪称典范,它将一个普通的函数,通过四套组合拳,硬生生把性能提升了 330 倍!作者不仅展示了“术”,更传授了“道”。让我们一起跟随作者的思路,体验一次酣畅淋漓的优化之旅。
PS.本文选自最新一期Python 潮流周刊,如果你对优质文章感兴趣,诚心推荐你订阅我们的专栏。
作者:Itamar Turner-Trauring
译者:豌豆花下猫@Python猫
英文:330× faster: Four different ways to speed up your code
声明:本翻译是出于交流学习的目的,为便于阅读,部分内容略有改动。转载请保留作者信息。
温馨提示: 本文原始版本与当前略有不同,比如曾经提到过500倍加速;本文已根据实际情况重新梳理,使论证更清晰。
当你的 Python 代码慢如蜗牛,而你渴望它快如闪电时,其实有很多种提速方式,从并行化到编译扩展应有尽有。如果只盯着一种方法,往往会错失良机,最终的代码也难以达到极致性能。
为了不错过任何潜在的提速机会,我们可以从“实践”的角度来思考。每种实践:
为了让这一点更具体,本文将通过一个案例演示多种实践的应用,具体包括:
我们将看到:
我们有一本英文书,简·奥斯汀的《诺桑觉寺》:
with open("northanger_abbey.txt") as f:
TEXT = f.read()
我们的目标是分析书中字母的相对频率。元音比辅音更常见吗?哪个元音最常见?
下面是最初的实现:
from collections import defaultdict
def frequency_1(text):
# 一个当键不存在时默认值为0的字典
counts = defaultdict(lambda: 0)
for character in text:
if character.isalpha():
counts[character.lower()] += 1
return counts
运行结果如下:
sorted(
(count, letter) for (letter, count)
in frequency_1(TEXT).items()
)
[(1, 'à'),
(2, 'é'),
(3, 'ê'),
(111, 'z'),
(419, 'q'),
(471, 'j'),
(561, 'x'),
(2016, 'k'),
(3530, 'v'),
(5297, 'b'),
(5404, 'p'),
(6606, 'g'),
(7639, 'w'),
(7746, 'f'),
(7806, 'y'),
(8106, 'c'),
(8628, 'm'),
(9690, 'u'),
(13431, 'l'),
(14164, 'd'),
(20675, 's'),
(21107, 'r'),
(21474, 'h'),
(22862, 'i'),
(24670, 'n'),
(26385, 'a'),
(26412, 'o'),
(30003, 't'),
(44251, 'e')]
毫无意外,出现频率最高的字母是 "e"。
那我们如何让这个函数更快?
软件开发不仅依赖于源代码、库、解释器、编译器这些“产物”,更离不开你的工作“流程”——也就是你做事的方法。性能优化同样如此。本文将介绍两种在优化过程中必不可少的流程实践:
我们可以先用 line_profiler
工具分析函数,找出最耗时的代码行:
Line # Hits % Time Line Contents
========================================
3 def frequency_1(text):
4 # 一个当键不存在时默认值为0的字典
5 # available:
6 1 0.0 counts = defaultdict(lambda: 0)
7 433070 30.4 for character in text:
8 433069 27.3 if character.isalpha():
9 339470 42.2 counts[character.lower()] += 1
10 1 0.0 return counts
效率实践的核心,是用更少的工作量获得同样的结果。这类优化通常在较高的抽象层面进行,无需关心底层CPU细节,因此适用于大多数编程语言。其本质是通过改变计算逻辑来减少浪费。
从上面的性能分析可以看出,函数大部分时间都花在 counts[character.lower()] += 1
这行。显然,对每个字母都调用 character.lower()
是种浪费。我们一遍遍地把 "I" 转成 "i",甚至还把 "i" 转成 "i"。
优化思路:我们可以先分别统计大写和小写字母的数量,最后再合并,而不是每次都做小写转换。
def frequency_2(text):
split_counts = defaultdict(lambda: 0)
for character in text:
if character.isalpha():
split_counts[character] += 1
counts = defaultdict(lambda: 0)
for character, num in split_counts.items():
counts[character.lower()] += num
return counts
# 确保新函数结果与旧函数完全一致
assert frequency_1(TEXT) == frequency_2(TEXT)
说明:这里的
assert
就是流程实践的一部分。一个更快但结果错误的函数毫无意义。虽然你在最终文章里看不到这些断言,但它们在开发时帮我抓出了不少bug。
基准测试(也是流程实践的一环)显示,这个优化确实让代码更快了:
| frequency_1(TEXT)
| 34,592.5 µs |
| frequency_2(TEXT)
| 25,798.6 µs |
我们继续用效率实践,这次针对具体目标和数据进一步优化。来看下最新代码的性能分析:
Line # Hits % Time Line Contents
========================================
3 def frequency_2(text):
4 1 0.0 split_counts = defaultdict(lambda: 0)
5 433070 33.6 for character in text:
6 433069 32.7 if character.isalpha():
7 339470 33.7 split_counts[character] += 1
8
9 1 0.0 counts = defaultdict(lambda: 0)
10 53 0.0 for character, num in split_counts.items():
11 52 0.0 counts[character.lower()] += num
12 1 0.0 return counts
可以看到,split_counts[character] += 1
依然是耗时大户。怎么加速?答案是用 list
替换 defaultdict
(本质上是 dict
)。list
的索引速度远快于 dict
:
list
存储条目只需一次数组索引dict
需要计算哈希、可能多次比较,还要内部数组索引但 list
的索引必须是整数,不能像 dict
那样用字符串,所以我们要把字符转成数字。幸运的是,每个字符都能用 ord()
查到数值:
ord('a'), ord('z'), ord('A'), ord('Z')
# (97, 122, 65, 90)
用 chr()
还能把数值转回字符:
chr(97), chr(122)
# ('a', 'z')
所以可以用 my_list[ord(character)] += 1
计数。但前提是我们得提前知道 list
的大小。如果处理任意字母字符,list
可能会很大:
ideograph = '𫞉'
ord(ideograph), ideograph.isalpha()
# (178057, True)
再回顾下我们的目标:
基于这些,我决定简化问题:只统计 'A' 到 'Z',其他字符都忽略,包括带重音的。对英文文本来说,这几乎不影响字母相对频率。
这样问题就简单了:字符集有限且已知,可以放心用 list
替代 dict
!
优化后实现如下:
def frequency_3(text):
# 创建长度为128的零列表;ord('z')是122,128足够了
split_counts = [0] * 128
for character in text:
index = ord(character)
if index < 128:
split_counts[index] += 1
counts = {}
for letter in 'abcdefghijklmnopqrstuvwxyz':
counts[letter] = (
split_counts[ord(letter)] +
split_counts[ord(letter.upper())]
)
return counts
由于输出只包含A到Z,正确性检查也要稍作调整:
def assert_matches(counts1, counts2):
"""确保A到Z的计数匹配"""
for character in 'abcdefghijklmnopqrstuvwxyz':
assert counts1[character] == counts2[character]
assert_matches(
frequency_1(TEXT),
frequency_3(TEXT)
)
新实现更快了:
| frequency_2(TEXT)
| 25,965.5 µs |
| frequency_3(TEXT)
| 19,443.5 µs |
接下来我们切换到编译型语言——Rust。
其实可以直接把 frequency_1()
移植到 Rust,编译器会自动做一些在 Python 里需要手动优化的事。
但大多数时候,无论用什么语言,效率实践都得靠你自己。这也是为什么“效率”和“编译”是两种不同的实践:它们带来的性能提升来源不同。我们在 frequency_2()
和 frequency_3()
里做的优化,同样能让 Rust 代码更快。
为证明这一点,我把上面三个 Python 函数都移植到了 Rust(前两个源码可点击展开查看):🦄
前两个版本在 Rust 中的实现#[pyfunction]
fn frequency_1_rust(
text: &str,
) -> PyResult<HashMap<char, u32>> {
let mut counts = HashMap::new();
for character in text.chars() {
if character.is_alphabetic() {
*counts
.entry(
character
.to_lowercase()
.next()
.unwrap_or(character),
)
.or_default() += 1;
}
}
Ok(counts)
}
#[pyfunction]
fn frequency_2_rust(
text: &str,
) -> PyResult<HashMap<char, u32>> {
let mut split_counts: HashMap<char, u32> =
HashMap::new();
for character in text.chars() {
if character.is_alphabetic() {
*split_counts.entry(character).or_default() +=
1;
}
}
let mut counts = HashMap::new();
for (character, num) in split_counts.drain() {
*counts
.entry(
character
.to_lowercase()
.next()
.unwrap_or(character),
)
.or_default() += num;
}
Ok(counts)
}
第三个版本在 Rust 里的样子:
fn ascii_arr_to_letter_map(
split_counts: [u32; 128],
) -> HashMap<char, u32> {
let mut counts: HashMap<char, u32> = HashMap::new();
for index in ('a' as usize)..=('z' as usize) {
let character =
char::from_u32(index as u32).unwrap();
let upper_index =
character.to_ascii_uppercase() as usize;
counts.insert(
character,
split_counts[index] + split_counts[upper_index],
);
}
counts
}
#[pyfunction]
fn frequency_3_rust(text: &str) -> HashMap<char, u32> {
let mut split_counts = [0u32; 128];
for character in text.chars() {
let character = character as usize;
if character < 128 {
split_counts[character] += 1;
}
}
ascii_arr_to_letter_map(split_counts)
}
所有三个 Rust 版本的结果都和 Python 版本一致:
assert_matches(frequency_1(TEXT), frequency_1_rust(TEXT))
assert_matches(frequency_1(TEXT), frequency_2_rust(TEXT))
assert_matches(frequency_1(TEXT), frequency_3_rust(TEXT))
对所有6个版本做基准测试,清楚地说明了效率实践和编译实践的性能优势是不同且互补的。能加速 Python 代码的效率优化,同样也能加速 Rust 代码。
函数 | 运行时间 (µs) |
---|---|
frequency_1(TEXT) |
33,741.5 |
frequency_2(TEXT) |
25,797.4 |
frequency_3(TEXT) |
19,432.0 |
frequency_1_rust(TEXT) |
3,704.3 |
frequency_2_rust(TEXT) |
3,504.8 |
frequency_3_rust(TEXT) |
204.9 |
一句话:效率和编译是两种不同的速度来源。
到目前为止,代码都只跑在单核CPU上。但现在的电脑大多有多核,利用并行计算又是另一种速度来源,所以它也是独立的实践。
下面是用 Rayon 库 实现的 Rust 并行版本:
fn sum(mut a: [u32; 128], b: [u32; 128]) -> [u32; 128] {
for i in 0..128 {
a[i] += b[i];
}
a
}
#[pyfunction]
fn frequency_parallel_rust(
py: Python<'_>,
text: &str,
) -> HashMap<char, u32> {
use rayon::prelude::*;
// 确保释放全局解释器锁(GIL)
let split_counts = py.allow_threads(|| {
// 一个榨取 Rayon 更多性能的技巧:
// 我们关心的 ASCII 字符总是由单个字节明确表示。
// 所以直接处理字节是安全的,这能让我们强制 Rayon 使用数据块。
text.as_bytes()
// 并行迭代数据块
.par_chunks(8192)
.fold_with(
[0u32; 128],
|mut split_counts, characters| {
for character in characters {
if *character < 128 {
split_counts
[*character as usize] += 1;
};
}
split_counts
},
)
// 合并所有数据块的结果
.reduce(|| [0u32; 128], sum)
});
ascii_arr_to_letter_map(split_counts)
}
结果依然正确:
assert_matches(frequency_1(TEXT), frequency_parallel_rust(TEXT))
加速效果如下:
| frequency_3_rust(TEXT)
| 234.5 µs |
| frequency_parallel_rust(TEXT)
| 105.3 µs |
最终函数快了330倍……真的吗?
我们是通过多次调用函数取平均运行时间来测量性能的。但我恰好知道一些背景知识:
这意味着,我们很可能没测到 UTF-8 转换的成本,因为反复对同一个 TEXT
字符串基准测试,第一次后 UTF-8 版本就被缓存了。真实场景下,未必总有缓存。
我们可以测下单次调用新字符串的耗时。我用非并行版本,因为它速度更稳定:
from time import time
def timeit(f, *args):
start = time()
f(*args)
print("Elapsed:", int((time() - start) * 1_000_000), "µs")
print("Original text")
timeit(frequency_3_rust, TEXT)
timeit(frequency_3_rust, TEXT)
print()
for i in range(3):
# 新字符串
s = TEXT + str(i)
print("New text", i + 1)
timeit(frequency_3_rust, s)
timeit(frequency_3_rust, s)
print()
Original text
Elapsed: 212 µs
Elapsed: 206 µs
New text 1
Elapsed: 769 µs
Elapsed: 207 µs
New text 2
Elapsed: 599 µs
Elapsed: 202 µs
New text 3
Elapsed: 625 µs
Elapsed: 200 µs
对于新字符串,第一次运行比第二次慢了大约 400µs,这很可能就是转换为 UTF-8 的成本。🦄
当然,我们加载的书本身就是 UTF-8 格式。所以,我们可以改变 API,直接将 UTF-8 编码的 bytes
传递给 Rust 代码,而不是先加载到 Python(转换为 Python 字符串),再传递给 Rust(转换回 UTF-8),这样就能避免转换开销。
我实现了一个新函数 frequency_3_rust_bytes()
,它接受 UTF-8 编码的字节(源码略,与 frequency_3_rust()
基本一样)。然后测了下单个字节串第一次和第二次的时间:
with open("northanger_abbey.txt", "rb") as f:
TEXT_BYTES = f.read()
assert_matches(
frequency_1(TEXT),
frequency_3_rust_bytes(TEXT_BYTES)
)
print("新文本不再有~400µs的转换开销:")
new_text = TEXT_BYTES + b"!"
timeit(frequency_3_rust_bytes, new_text)
timeit(frequency_3_rust_bytes, new_text)
新文本不再有~400µs的转换开销:
Elapsed: 186 µs
Elapsed: 182 µs
如果我们测量持续的平均时间,可以看到它与之前的版本大致相当:
| frequency_3_rust(TEXT)
| 227.2 µs |
| frequency_3_rust_bytes(TEXT_BYTES)
| 183.8 µs |
可见传入 bytes
确实能绕过 UTF-8 转换成本。你可能还想实现 frequency_parallel_rust_bytes()
,这样并行也能无转换开销。
collections.Counter
呢?你可能会问,Python 标准库里不是有现成的 collections.Counter
吗?它是专门计数的 dict
子类。
# 来自 Python 3.13 的 collections/__init__.py
def _count_elements(mapping, iterable):
'Tally elements from the iterable.'
mapping_get = mapping.get
for elem in iterable:
mapping[elem] = mapping_get(elem, 0) + 1
try:
# 如果可用,加载 C 语言实现的辅助函数
from _collections import _count_elements
except ImportError:
pass
class Counter(dict):
# ...
我们可以这样使用它:
from collections import Counter
def frequency_counter(text):
return Counter(c.lower() for c in text if c.isalpha())
# 注意:这里的实现与原文略有不同,是为了与 frequency_1 保持完全一致的行为
# 原文的 Counter(text.lower()) 会统计非字母字符,导致结果不一致
assert_matches(frequency_1(TEXT), frequency_counter(TEXT))
这个实现比我们的第一个版本更简洁,但性能如何?
| frequency_1(TEXT)
| 34,592.5 µs |
| frequency_counter(TEXT)
| 约 30,000 µs |
Counter
确实比我们的初始实现快点,但远不如最终优化版。这说明:即使标准库的优化实现,也可能比不上针对场景深度优化的代码。
当然,Counter
胜在简洁和可读性。很多对性能没极致要求的场景,这种权衡完全值得。
全文其实一直在用“流程”实践:测试新版本正确性、做性能分析和测量。基准测试还帮我排除了不少无效优化,这里就不赘述了。
“效率”实践帮我们消除无用功,“编译”让代码更快,“并行化”则让多核CPU火力全开。每种实践都是独特的、能带来乘数效应的速度来源。
一句话:如果你想让代码更快,别只盯着一种实践,多管齐下,速度才会飞起来!
Python猫注:如果你喜欢这篇文章,那我要向你推荐一下 Python 潮流周刊!创刊仅两年,我们已坚持分享了超过 1300+ 篇优质文章,以及 1200+ 个开源项目或工具资源,每周精选,助力你打破信息差,告别信息过载,成为更优秀的人!
2025-07-05 08:00:00
本周刊由 Python猫 出品,精心筛选国内外的 400+ 信息源,为你挑选最值得分享的文章、教程、开源项目、软件工具、播客和视频、热门话题等内容。愿景:帮助所有读者精进 Python 技术,并增长职业和副业的收入。
温馨提示: 在微信关注 Python猫,发送数字“9”,即可领取 9 折优惠码,订阅专栏可享 15 元优惠。
分享了 13 篇文章,13 个开源项目
以下是本期标题摘要:
① 330 倍提升:四种性能优化方法
② 为什么这个 Python 性能技巧不再重要
③ Python 3.14 的进一步性能进化:Tail Call Interpreter
④ 常用库中不常见的 Python 用法
⑤ 代码阅读:Python 标准库模块 shelve.py
⑥ Anthropic 是如何开发多智能体研究系统?
⑦ LLM 时代的编程语言设计:回归平庸?
⑧ Python 全局变量在字节码中的工作原理
⑨ 万字长文彻底剖析 Python 正则表达式
⑩ Pyodide 中的 JavaScript Promise 集成
⑪ 编写玩具软件是一种乐趣
⑫ 我对各种 AI Coding Agent 工具的看法
⑬ Vibe Coding 一段时间后的感受
① PythonLink:Python 精选优质资源导航站
② spegel:AI 驱动的终端网页浏览器
③ autoMate:类 Manus 的 AI 本地自动化助手
④ claude-code:终端中的智能编程助手
⑤ ebook2audiobook:电子书转有声书工具
⑥ mcp:AWS MCP 服务器套件
⑦ happy-llm:大语言模型原理与实践教程
⑧ Office-PowerPoint-MCP-Server:PowerPoint MCP 服务器
⑨ octopusdash:动态 Django 管理面板
⑩ cognee:5 行代码实现 AI 智能体记忆
⑪ FastAPI-boilerplate:FastAPI 异步 API 模板
⑫ spy-search:比 Perplexity 更快的 LLM 搜索引擎
⑬ premier:灵活轻量的 API 网关
周刊实行付费订阅制,年费 148 元,平均每天 4 毛钱,为你精准筛选高质量技术内容。在信息洪流中为你淘金,助力技术视野拓展和职业发展,欢迎订阅:https://xiaobot.net/p/python_weekly
订阅后,可免费查看 第 109 期周刊的全文:https://www.xiaobot.net/post/dd1f1826-bfd8-4251-b539-e9c57f6f0795
微信关注 Python猫:https://img.pythoncat.top/python_cat.jpg