1.使用測量工具，量化性能才能改進性能，常用的timeit和memory_profiler，此外還有profile、cProfile、hotshot等，memory_profiler用了psutil，所以不能跟蹤cpython的擴展；

2.用C來解決費時的處理，c是效率的代名詞，也是python用來解決效率問題的主要途徑，甚至有時候我都覺得python是c的完美搭檔。常用的是Cython，直接把py代碼c化然后又能像使用py包一樣使用，其次是ctypes，效率最最高的存在，最后還有CPython和cffi都是屌屌的存在；

3.優(yōu)化算法，所有語言通病，算法的提升我覺得是在所有提升之上的，但也是最難的，好在現(xiàn)在大部分常用的算法都已經(jīng)封包，除非自己給自己挖坑，所以弄懂標(biāo)準(zhǔn)庫里的數(shù)據(jù)結(jié)構(gòu)和常用api是如何實現(xiàn)的很重要；

4.2里的實現(xiàn)有人做了更高效的包用以替換python中常見的一些實現(xiàn)，如果瓶頸在stringio、pickle、profile這類上的可以考慮替換為c的版本；

5.數(shù)據(jù)結(jié)構(gòu)盡量使用元組tuple，特別是數(shù)據(jù)量大的時候，實在不行l(wèi)ist也可以，盡量不要用class，如果一定要用可以加slot，效率再不夠就只能結(jié)合2來加速了；

6.延遲加載，import不是一定要寫在一頁的開始，哪里都可以，越碎片越能把包的加載延遲甚至不被加載；

7.用multiprocessing來實現(xiàn)多線程，可以跳出GIL的限制；

8.python處理循環(huán)很爛，解釋性語言就這樣，跟其它編譯型語言比就是蝸牛，所以減少循環(huán)次數(shù)和嵌套次數(shù)能顯著提升性能，當(dāng)然了使用pypy就沒有這個問題了；

9.使用加速器，很喜歡psyco的使用方式，如果用2.7-的版本那么不失為一個懶人的選擇，現(xiàn)在已經(jīng)不再維護，創(chuàng)始人去了pypy，pypy是用Python實現(xiàn)的python，底層轉(zhuǎn)為平臺依賴的c、.net、java的中間語言，方式非常聰明，大愛，但是缺點是庫的支持還不完善，我的項目基本都能支持，解決幾個小問題即可，如果性能瓶頸在循環(huán)和內(nèi)存上可以試試，最大的好處是不需要更改一句代碼和做另外的設(shè)置，沒有任何侵入。

參考資料：

Python 代碼性能優(yōu)化技巧： https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/

Python性能優(yōu)化技巧： http://kuanghy.github.io/2016/09/26/python-optimize