1、优化循环
循环之外能做的事不要放在循环内，比如下面的优化可以快一倍
2、使用join合并迭代器中的字符串
join对于累加的方式，有大约5倍的提升
3、使用if is
使用if is True比if == True将近快一倍
4、使用级联比较x < y < z
x < y < z效率略高，而且可读性更好
5、使用**而不是pow
%timeit -n 10000 c = pow(2,20)
%timeit -n 10000 c = 2**20
10000 loops, best of 3: 284 ns per loop
10000 loops, best of 3: 16.9 ns per loop
**就是快10倍以上！
6、优化包含多个判断表达式的顺序
对于and，应该把满足条件少的放在前面，对于or，把满足条件多的放在前面
a = range(2000)
%timeit -n 100 [i for i in a if 10 < i < 20 or 1000 < i < 2000]
%timeit -n 100 [i for i in a if 1000 < i < 2000 or 100 < i < 20]
%timeit -n 100 [i for i in a if i % 2 == 0 and i > 1900]
%timeit -n 100 [i for i in a if i > 1900 and i % 2 == 0]
100 loops, best of 3: 287 µs per loop
100 loops, best of 3: 214 µs per loop
100 loops, best of 3: 128 µs per loop
100 loops, best of 3: 56.1 µs per loop
7、使用dict或set查找元素
python dict和set都是使用hash表来实现，查找元素的时间复杂度是O(1)
8、合理使用copy与deepcopy
对于dict和list等数据结构的对象，直接赋值使用的是引用的方式。而有些情况下需要复制整个对象，这时可以使用copy包里的copy和deepcopy，
这两个函数的不同之处在于后者是递归复制的。效率也不一样：（以下程序在ipython中运行）
import copy
a = range(100000)
%timeit -n 10 copy.copy(a) # 运行10次 copy.copy(a)
%timeit -n 10 copy.deepcopy(a)
10 loops, best of 3: 1.55 ms per loop
10 loops, best of 3: 151 ms per loop
9、使用列表解析和生成器表达式
表解析要比在循环中重新构建一个新的 list 更为高效，因此我们可以利用这一特性来提高运行的效率。
from time import time
t = time()
list = ['a','b','is','python','jason','hello','hill','with','phone','test',
'dfdf','apple','pddf','ind','basic','none','baecr','var','bana','dd','wrd']
total=[]
for i in range (1000000):
for w in list:
total.append(w)
print "total run time:"
print time()-t
使用列表解析：
- for i in range (1000000):
- a = [w for w in list]
上述代码直接运行大概需要 17s，而改为使用列表解析后 ，运行时间缩短为 9.29s。将近提高了一半。生成器表达式则是在 2.4 中引入的新内容，语法和列表解析类似，但是在大数据量处理时，生成器表达式的优势较为明显，它并不创建一个列表，只是返回一个生成器，因此效率较高。在上述例子上中代码 a = [w for w in list] 修改为 a = (w for w in list)，运行时间进一步减少，缩短约为 2.98s。
10、使用xrange代替range
在循环的时候使用 xrange 而不是 range；使用 xrange 可以节省大量的系统内存，因为 xrange() 在序列中每次调用只产生一个整数元素。而 range() 將直接返回完整的元素列表，用于循环时会有不必要的开销。在 python3 中 xrange 不再存在，里面 range 提供一个可以遍历任意长度的范围的 iterator。
11、使用局部变量
使用局部变量，避免”global” 关键字。python 访问局部变量会比全局变量要快得多，因 此可以利用这一特性提升性能
12、使用is not
if done is not None 比语句 if done != None 更快
13、while 1要比while Trule更快
很多Python优化的文章，都会谈及这个。那么，到底能提高多少呢？我们来试试看
import random
import time start_time = time.time()
print start_time j = 1
while True:
j += 1
end_time = time.time()
if end_time - start_time >= 1 :
break
print j
print end_time print "======== split =========="
start_time = time.time()
print start_time j = 1
while 1:
j += 1
end_time = time.time()
if end_time - start_time >= 1 :
break
print j
print end_time
输出结果：
1399342863.16
2573550
1399342864.16
======== split ==========
1399342864.18
2973070
1399342865.18
一个是25万，一个是29万。大约提升了16%左右的性能。其实不是很明显。只是聊胜于无。
14、使用内置函数更快，如add(a,b)要快于a+b
15、如果需要交换两个变量的值使用 a,b=b,a 而不是借助中间变量 t=a;a=b;b=t；
16、生成序列
用range()函数生成序列，与自定义序列
（1）a = range(0,6)
（2）a = [0, 1, 2, 3, 4, 5]
分别测试了一下，结果如下：
loop_num: 1029877
loop_num: 1602341
结论：还是自己显式定义序列，效率更高。
17、生成序列副本
生成一个序列的副本：用copy，与用切片特性
a = [0, 1, 2, 3, 4, 5]
（1）b = copy.copy(a)
（2）b = a[:]
分别测试了一下，结果如下：
loop_num: 677838
loop_num: 1530012
结论：变通的切片应用作为拷贝，比浅拷贝函数效率更高。注意，深拷贝效率很低！
18、慎用python内置函数
python内置函数，只是为了应对通用情况。在很多情况下，内置函数的性能，远远不如自己写的，有针对性的函数。动动手，换个算法，就能把性能提高一倍以上。
19、选择合适的格式化字符方式
s1, s2 = 'ax', 'bx' %timeit -n 100000 'abc%s%s' % (s1, s2)
%timeit -n 100000 'abc{0}{1}'.format(s1, s2)
%timeit -n 100000 'abc' + s1 + s2 100000 loops, best of 3: 183 ns per loop 100000 loops, best of 3: 169 ns per loop 100000 loops, best of 3: 103 ns per loop
三种情况中，%的方式是最慢的，但是三者的差距并不大（都非常快）。(个人觉得%的可读性最好)
20、合理使用del
用del可以将对象占用内存空间的引用计数值置零（Deletion of a name removes the binding of that name from the local or global namespace）。它并不能让对象占用的内存被回收，但一段内存的引用计数变为零，就说明它可以再次被重新使用了（所以del后，不必要GC介入）。
如果不用del，下面这段代码就可能MemoryError
import numpy as np matrix1 = np.zeros((60000,100000))
matrix2 = np.zeros((60000,100000))
# using matrix1
# using matrix2
利用del，可以将用完后没必要占用内存的对象删掉，下面的代码对内存耗费就没上面的大。
import numpy as np matrix1 = np.zeros((60000,100000))
# using matrix1
del matrix1 matrix2 = np.zeros((60000,100000))
# using matrix2
del matrix2