Python高性能(第2版)（簡體書）

本書主要介紹如何讓Python 程序發揮強大性能，內容涵蓋針對數值計算和科學代碼的優化，以及用於提高Web 服務和應用響應速度的策略。具體內容有：基準測試與剖析、純粹的Python 優化、基於NumPy和Pandas 的快速數組操作、使用Cython 獲得C 語言性能、編譯器探索、實現併發性、並行處理、分布式處理、高性能設計等。

加布麗埃勒·拉納諾（Gabriele Lanaro）

數據科學家、軟件工程師，對機器學習、信息檢索、數值計算可視化、Web開發、計算機圖形學和系統管理有濃厚的興趣。開源軟件包chemlab和chemview的kai發者。現jiu職於Tableau軟件公司。

第 1 章 基準測試與剖析 1
1.1　設計應用程序　2
1.2　編寫測試和基準測試程序　7
1.3　使用pytest-benchmark 編寫更佳的測試和基準測試程序　10
1.4　使用cProfile 找出瓶頸　12
1.5　使用line_profiler 逐行進行剖析　16
1.6　優化代碼　17
1.7　模塊dis　19
1.8　使用memory_profiler 剖析內存使用情況　19
1.9　小結　21
第　2 章 純粹的Python 優化　22
2.1　有用的算法和數據結構　22
2.1.1　列表和雙端隊列　23
2.1.2　字典　25
2.1.3　集　28
2.1.4　堆　29
2.1.5　字典樹　30
2.2　緩存和memoization　32
2.3　推導和生成器　34
2.4　小結　36
第3　章 使用NumPy 和Pandas 快速執行數組操作　37
3.1　NumPy 基礎　37
3.1.1　創建數組　38
3.1.2　訪問數組　39
3.1.3　廣播　43
3.1.4　數學運算　45
3.1.5　計算範數　46
3.2　使用NumPy 重寫粒子模擬器　47
3.3　使用numexpr zui大限度地提高性能　49
3.4　Pandas　51
3.4.1　Pandas 基礎　51
3.4.2　使用Pandas 執行數據庫式操作　55
3.5　小結　59
第4　章 使用Cython 獲得C 語言性能　60
4.1　編譯Cython 擴展　60
4.2　添加靜態類型　62
4.2.1　變量　63
4.2.2　函數　64
4.2.3　類　65
4.3　共享聲明　66
4.4　使用數組　67
4.4.1　C 語言數組和指針　67
4.4.2　NumPy 數組　69
4.4.3　類型化內存視圖　70
4.5　使用Cython 編寫粒子模擬器　72
4.6　剖析Cython 代碼　75
4.7　在Jupyter 中使用Cython　78
4.8　小結　80
第5　章 探索編譯器　82
5.1　Numba　82
5.1.1　Numba 入門　83
5.1.2　類型特殊化　84
5.1.3　對象模式和原生模式　85
5.1.4　Numba 和NumPy　88
5.1.5　JIT 類　91
5.1.6　Numba 的局限性　94
5.2　PyPy 項目　95
5.2.1　安裝PyPy　95
5.2.2　在PyPy 中運行粒子模擬器　96
5.3　其他有趣的項目　97
5.4　小結　97
第6　章 實現併發性　98
6.1　異步編程　98
6.1.1　等待I/O　99
6.1.2　併發　99
6.1.3　回調函數　101
6.1.4　future　104
6.1.5　事件循環　105
6.2　asyncio 框架　108
6.2.1　協程　108
6.2.2　將阻塞代碼轉換為非阻塞代碼　111
6.3　響應式編程　113
6.3.1　被觀察者　113
6.3.2　很有用的運算符　115
6.3.3　hot 被觀察者和cold 被觀察者　118
6.3.4　打造CPU 監視器　121
6.4　小結　123
第7　章 並行處理　124
7.1　並行編程簡介　124
7.2　使用多個進程　127
7.2.1　Process 和Pool 類　127
7.2.2　接口Executor　129
7.2.3　使用蒙特卡洛方法計算pi 的近似值　130
7.2.4　同步和鎖　132
7.3　使用OpenMP 編寫並行的Cython代碼　134
7.4　並行自動化　136
7.4.1　Theano 初步　137
7.4.2　Tensorflow　142
7.4.3　在GPU 中運行代碼　144
7.5　小結　146
第8　章 分布式處理　148
8.1　分布式計算簡介　148
8.2　Dask　151
8.2.1　有向無環圖　151
8.2.2　Dask 數組　152
8.2.3　Dask Bag 和DataFrame　154
8.2.4　Dask distributed　158
8.3　使用PySpark　161
8.3.1　搭建Spark 和PySpark 環境　161
8.3.2　Spark 架構　162
8.3.3　彈性分布式數據集　164
8.3.4　Spark DataFrame　168
8.4　使用mpi4py 執行科學計算　169
8.5　小結　171
第9　章 高性能設計　173
9.1　選擇合適的策略　173
9.1.1　普通應用程序　174
9.1.2　數值計算代碼　174
9.1.3　大數據　176
9.2　組織代碼　176
9.3　隔離、虛擬環境和容器　178
9.3.1　使用conda 環境　178
9.3.2　虛擬化和容器　179
9.4　持續集成　183
9.5　小結　184