這裡的內容僅僅是本人閱讀《Python高性能編程》後總結的一些知識，用於自己更好的瞭解Python機制。本人現在並不從事計算密集型工作：人工智慧、數據分析等。僅僅只是出於好奇而去閱讀這本書。很多人因為Python不能同時使用多顆CPU（全局解釋器鎖GIL），而覺得它不能實現高性能。書中有很多介紹避開 ...
這裡的內容僅僅是本人閱讀《Python高性能編程》後總結的一些知識，用於自己更好的瞭解Python機制。本人現在並不從事計算密集型工作：人工智慧、數據分析等。僅僅只是出於好奇而去閱讀這本書。很多人因為Python不能同時使用多顆CPU（全局解釋器鎖GIL），而覺得它不能實現高性能。書中有很多介紹避開GIL或者Python虛擬機的方式，例如Cython，PyPy等。
首先我們要說一下時間複雜度，可以幫助我們理解CPython編譯器怎麼幹活：
時間複雜度
在描述演算法複雜度時,經常用到o(1), o(n), o(logn), o(nlogn)來表示對應演算法的時間複雜度, 這裡進行歸納一下它們代表的含義: 這是演算法的時空複雜度的表示。不僅僅用於表示時間複雜度，也用於表示空間複雜度。O後面的括弧中有一個函數，指明某個演算法的耗時/耗空間與數據增長量之間的關係。其中的n代表輸入數據的量。比如時間複雜度為O(n)，就代表數據量增大幾倍，耗時也增大幾倍。比如常見的遍歷演算法。再比如時間複雜度O(n^2)，就代表數據量增大n倍時，耗時增大n的平方倍，這是比線性更高的時間複雜度。比如冒泡排序，就是典型的O(n^2)的演算法，對n個數排序，需要掃描n×n次。再比如O(logn)，當數據增大n倍時，耗時增大logn倍（這裡的log是以2為底的，比如，當數據增大256倍時，耗時只增大8倍，是比線性還要低的時間複雜度）。二分查找就是O(logn)的演算法，每找一次排除一半的可能，256個數據中查找只要找8次就可以找到目標。O(nlogn)同理，就是n乘以logn，當數據增大256倍時，耗時增大256*8=2048倍。這個複雜度高於線性低於平方。歸併排序就是O(nlogn)的時間複雜度。 O(1)就是最低的時空複雜度了，也就是耗時/耗空間與輸入數據大小無關，無論輸入數據增大多少倍，耗時/耗空間都不變。 哈希演算法就是典型的O(1)時間複雜度，無論數據規模多大，都可以在一次計算後找到目標（不考慮衝突的話） 列表和元組 1、列表是動態數組，它們可變且可以重設長度（改變其內部元素個數）。 2、元組是靜態的數組，它們不可變，且其內部數據一旦創建便無法改變。 3、元組緩存與Python 運行時環境，這以為著我們每次使用元組都無需訪問內核去分配記憶體。 當創建的數據量及，達到百萬千萬級以上，合併多個元組，會比一個列表占用更少的空間。 列表在進行append()操作時，會Copy原列表，創建一個更大的列表，然後銷毀原列表。在append時，編譯器會預創建一部分數據空間，用於以後的添加。 元組在進行合併操作（+）時，會創建一個新的元組，然後銷毀舊的元組，元組數據集前後不會發生改變 字典和集合 字典和集合適合於存儲能夠被索引的數據。當你在使用字典和集合處理可以索引的數據時它的時間複雜度是O(1)，但是對於那些不能被索引的數據是徒勞無功的。 字典與集合在CPython創建時，會像系統申請定量記憶體塊預設最小長度是8，每次改變大小增加到原來的4倍。每次插入數據時會生成索引(二進位數)，會在申請的記憶體存儲塊中隨機插入，如果目標存儲塊已有數據，那就換個位置，這叫做散列碰撞。 由於字典與集合在插入數據不是每一次都會擴增集合體積，所以會比列表效率高效、省記憶體空間。雖然會有散列碰撞，但是每次散列碰撞都是二進位數的比較。 集合：在對一批數據進行去重時，不如把這批數據放入集合中。因為在你使用列表存儲這批數據時，你需要手動判斷是否重覆，而且列表會預創建空桶用於存接下來的數據。而集合是一個純Key的數組，裡面的數據時唯一的。 字典：是key:value的形式存儲 散列函數：在散列函數中會對字典和列表生成二進位數作為掩碼(可以理解為索引，因為在插入、查詢時是依靠這個值)。 應該有一種——而且最好只有唯一的一種——明顯的方式去完成它。雖然這種方式可能一開始並不明顯，除非你是荷蘭人。 ——Tim Peters Python之禪 使用Python的目的是快速實現功能，且代碼能夠穩定運行。至於優化，所花費的時間可能是產品初創到誕生的數倍時間。
