写一手漂亮的代码，何谓漂亮的代码？对我来说大概有这么几点：
写法符合规范（如：该空格的地方打上空格，该换行的地方换行，名命方式符合规范等等）
简洁且可读性高（能十行代码实现并且让人容易看懂的绝不写十一行，对经常重复出现的代码段落进行封装）
性能高（如：运行时间尽可能短，运行时所用内存尽可能少）
要实现以上目标，自然就要对代码进行优化，说到代码的优化，自然而然就会想到对算法时间复杂度进行优化，比如我要实现一个在有序数组中查找一个数，最容易想到的就是遍历一遍 O(n) 的复杂度，优化一下自然是使用二分， O(logn) 的复杂度。如果这段代码在我们的程序中会经常被调用，那么，通过这算法上的优化，我们的程序性能自然而然的会有很高的提升。
但是，有时候会发现，已经对算法进行优化了，程序的性能（如运行时间、内存占用等）仍然不能达到预期，那么，这时候该如何对我们的代码进行进一步的优化呢？
这篇文章将以 Python 为例进行介绍
先来段代码这里，我将通过使用 Julia 分形的代码来进行。
Julia 集合，由式 \(f_c(z) = z ^2 + c\) 进行反复迭代到。
对于固定的复数 c ，取某一 z 值，可以得到序列
\(z_0, f_c(z_0), f_c(f_c(z_0)), ...\)
这一序列可能发散于无穷大或处于某一范围之内并收敛于某一值，我们将使其不扩散的 z 值的集合称为朱利亚集合。
import time import numpy as np import imageio import PIL import matplotlib.pyplot as plt import cv2 as cv x1, x2, y1, y2 = -1.8, 1.8, -1.8, 1.8 c_real, c_imag = -0.62772, -0.42193 def calculate_z_serial_purepython(maxiter, zs, cs): output = [0] * len(zs) for i in range(len(zs)): n = 0 z = zs[i] c = cs[i] while abs(z) < 2 and n < maxiter: z = z * z + c n += 1 output[i] = n return output def calc_pure_python(desired_width, max_itertions): x_step = (float(x2 - x1)) / float(desired_width) y_step = (float(y2 - y1)) / float(desired_width) x, y = [], [] ycoord = y1 while ycoord < y2: y.append(ycoord) ycoord += y_step xcoord = x1 while xcoord < x2: x.append(xcoord) xcoord += x_step zs, cs = [], [] for ycoord in y: for xcoord in x: zs.append(complex(xcoord, ycoord)) cs.append(complex(c_real, c_imag)) print(f"Length of x: {len(x)}") print(f"Total elements: {len(zs)}") start_time = time.time() output = calculate_z_serial_purepython(max_itertions, zs, cs) end_time = time.time() secs = end_time - start_time print("calculate_z_serial_purepython took", secs, "seconds") assert sum(output) == 33219980 # # show img # output = np.array(output).reshape(desired_width, desired_width) # plt.imshow(output, cmap='gray') # plt.savefig("julia.png") if __name__ == "__main__": calc_pure_python(desired_width=1000, max_itertions=300)这段代码运行完，可以得到图片
运行结果
Length of x: 1000 Total elements: 1000000 calculate_z_serial_purepython took 25.053941249847412 seconds 开始分析这里，将通过各种方法来对这段代码的运行时间来进行分析
直接打印运行时间在前面的代码中，我们可以看到有 start_time 和 end_time 两个变量，通过 print 两个变量的差值即可得到运行时间，但是，每次想要打印运行时间都得加那么几行代码就会很麻烦，此时我们可以通过使用修饰器来进行
from functools import wraps def timefn(fn): @wraps(fn) def measure_time(*args, **kwargs): start_time = time.time() result = fn(*args, **kwargs) end_time = time.time() print("@timefn:" + fn.__name__ + " took " + str(end_time - start_time), " seconds") return result return measure_time然后对 calculate_z_serial_purepython 函数进行测试
@timefn def calculate_z_serial_purepython(maxiter, zs, cs): ...运行后输出结果
Length of x: 1000 Total elements: 1000000 @timefn:calculate_z_serial_purepython took 26.64286208152771 seconds calculate_z_serial_purepython took 26.64286208152771 seconds另外，也可以在命令行中输入
python -m timeit -n 5 -r 5 -s "import code" "code.calc_pure_python(desired_width=1000, max_itertions=300)"其中 -n 5 表示循环次数， -r 5 表示重复次数，timeit 会对语句循环执行 n 次，并计算平均值作为一个结果，重复 r 次选出最好的结果。
5 loops, best of 5: 24.9 sec per loop UNIX tine 命令由于电脑上没有 Linux 环境，于是使用 WSL 来进行
time -p python code.py 如果是 Linux 中进行，可能命令需改成 /usr/bin/time -p python code.py输出结果
Length of x: 1000 Total elements: 1000000 @timefn:calculate_z_serial_purepython took 14.34933090209961 seconds calculate_z_serial_purepython took 14.350624322891235 seconds real 15.57 user 15.06 sys 0.40其中 real 记录整体耗时， user 记录了 CPU 花在任务上的时间，sys 记录了内核函数耗费的时间
/usr/bin/time --verbose python code.py