Python3

پارت ۳: بهینه‌سازی حلقه‌های for در پایتون (قسمت ۴/۴)

مقدمه
در این قسمت پایانی، به‌صورت تئوری و عملی روی تکنیک‌های نهایی تمرکز خواهیم کرد. این تکنیک‌ها شامل بهینه‌سازی حافظه، بازنویسی حلقه‌ها، و اصولی است که نه‌تنها عملکرد حلقه‌ها را بهبود می‌دهد، بلکه کدی تمیزتر و قابل‌نگهداری‌تر تولید می‌کند.

۱. اجتناب از تکرار بیهوده عملیات در حلقه

توضیح:
یکی از رایج‌ترین اشتباهات در حلقه‌ها، اجرای مجدد عملیاتی است که نیازی به محاسبه مکرر ندارند. با استخراج عملیات ثابت از حلقه، می‌توانید عملکرد را بهبود دهید.

مثال: جمع اعداد چندین بار در حلقه
روش غیربهینه:

numbers = [1, 2, 3, 4, 5]
for num in numbers:
    result = sum(numbers) + num
    print(result)

روش بهینه:

numbers = [1, 2, 3, 4, 5]
total = sum(numbers)  # محاسبه فقط یک بار انجام می‌شود
for num in numbers:
    result = total + num
    print(result)

توضیح:
در روش دوم، تابع sum() تنها یک بار اجرا می‌شود و حلقه سریع‌تر اجرا می‌شود.

۲. استفاده از Generator ها برای پردازش داده‌های بزرگ

توضیح:
Generator ها به‌جای ذخیره کل مجموعه داده‌ها در حافظه، مقادیر را به‌صورت بازگشتی تولید می‌کنند. این امر مخصوصاً برای داده‌های حجیم مفید است.

مثال: پردازش فایل‌های بزرگ
روش معمول:

lines = open('large_file.txt').readlines()
for line in lines:
    print(line)

روش بهینه با Generator:

with open('large_file.txt') as file:
    for line in file:
        print(line)

توضیح:
در روش دوم، فایل خط‌به‌خط پردازش می‌شود و حافظه کمتری مصرف می‌شود.

۳. تغییر ساختار حلقه با توابع داخلی

توضیح:
پایتون توابع داخلی مانند map(), filter(), و reduce() را فراهم می‌کند که می‌توانند حلقه‌های for را ساده‌تر و سریع‌تر کنند.

مثال: اعمال یک تابع روی لیست
با حلقه for:

numbers = [1, 2, 3, 4, 5]
squared = []
for num in numbers:
    squared.append(num ** 2)

با `map():

numbers = [1, 2, 3, 4, 5]
squared = list(map(lambda x: x ** 2, numbers))

توضیح:
تابع map() به‌طور داخلی بهینه است و عملکرد حلقه را سریع‌تر می‌کند.

‌۴. استفاده از ابزار itertools برای بهینه‌سازی پیشرفته

توضیح:
کتابخانه itertools مجموعه‌ای از ابزارهای قدرتمند برای کار با حلقه‌ها ارائه می‌دهد.

مثال: ایجاد یک ترکیب‌سازی از دو لیست
روش معمول:

list1 = [1, 2, 3]
list2 = ['a', 'b', 'c']
combinations = []
for i in list1:
    for j in list2:
        combinations.append((i, j))
print(combinations)

با `itertools.product

from itertools import product

list1 = [1, 2, 3]
list2 = ['a', 'b', 'c']
combinations = list(product(list1, list2))
print(combinations)

توضیح:
تابع product به‌طور داخلی بهینه است و کد را مختصرتر و سریع‌تر می‌کند.

۵. بررسی زمانی اجرای حلقه‌ها

توضیح:
برای مقایسه عملکرد حلقه‌ها یا تکنیک‌های مختلف، می‌توانید از ماژول time یا timeit استفاده کنید.

مثال: مقایسه دو روش جمع اعداد

import time

# روش اول
start = time.time()
numbers = range(1, 1000000)
total = sum(numbers)
end = time.time()
print(f"Method 1 took: {end - start} seconds")

# روش دوم
start = time.time()
total = 0
for num in range(1, 1000000):
    total += num
end = time.time()
print(f"Method 2 took: {end - start} seconds")

توضیح:
با استفاده از این تکنیک، می‌توانید زمان اجرای هر روش را اندازه‌گیری کرده و بهترین گزینه را انتخاب کنید.

۶. ترکیب ابزارها برای بهینه‌سازی نهایی

توضیح:
در مسائل پیچیده، ترکیب ابزارهای مختلف مانند Generator ها، itertools، و توابع داخلی می‌تواند هم کد را بهینه کند و هم خوانایی آن را افزایش دهد.

مثال: فیلتر و پردازش یک لیست بزرگ

from itertools import islice

numbers = (x for x in range(1, 1000000) if x % 2 == 0)
result = islice(numbers, 10)  # فقط ۱۰ مقدار اول را انتخاب می‌کند
for num in result:
    print(num)

توضیح:
در این روش:
- از Generator برای مدیریت حافظه استفاده شده است.
- از islice برای محدودکردن خروجی بهره گرفته شده است.

👍2

66 views20:15