1. __slots__

class Person:
    __slots__ = ['name', 'age']

为什么使用这个技巧:

• 减少内存使用：Python 通常使用 __dict__ 来存储对象属性，这会消耗更多资源且速度较慢。
• 更快的属性访问：使用 __slots__，Python 使用静态数组，从而消除了查找键的开销。
• 在创建数百万个实例时非常有用：数据处理、ETL、数据科学。

2. 生成器表达式 ((x for x in ...))

sum(x**2 for x in range(1_000_000))

• 避免创建临时列表: sum([x**2 for x in ...]) 首先在内存中创建一个列表，然后应用求和函数。
• 减少内存使用: 在创建大型数据集时非常有用。

3. 使用 functools.lru_cache 进行记忆化

from functools import lru_cache

@lru_cache(maxsize=None)
def fib(n):

return fib(n-1) + fib(n-2) if n > 1 else n

为什么使用这个技巧:

• 避免重复计算结果: 将相同参数的值存储在缓存中。
• 纯函数（相同输入 → 相同输出）：非常适合递归算法，如斐波那契数列、树中的搜索。

4. 使用NumPy进行向量化

import numpy as np
arr = np.array([1, 2, 3])
result = arr * 2

为什么使用这个技巧:

• 在C中优化操作: NumPy在连续的内存块（C中的数组）中执行操作，而不使用Python中的循环。
• 绕过GIL: 操作直接应用于数据，而不使用Python循环。

5. Cython编译

# example.pyx (Cython)
def sum(int a, int b):
    return a + b

为什么使用这个技巧:

• 将 Python 代码转换为 C: Cython 将代码编译为本地 C 扩展。
• 静态类型提高效率: 声明类型（int, float），避免 Python 的动态类型。
• 更快的数学计算: 数学运算速度提高 100 倍。

6. collections.defaultdict 用于字典

from collections import defaultdict
count = defaultdict(int) # 默认初始化值
count["word"] += 1

• 避免字典中键的存在性检查: 在普通字典中，你需要先检查键是否存在。defaultdict 会为你处理这个问题。
• 减少对函数的调用：比 dict.setdefault() 或 try/except KeyError 更高效。

7. 使用 str.join() 进行连接

"".join(str_list)

为什么使用这个技巧：

• 字符串是不可变的：在Python中，每次使用+=都会创建一个新的字符串对象（这个过程的时间复杂度是O(n²)）。
• join() 预分配内存：在一次操作中连接每个项目（这个过程的时间复杂度是O(n)）。

性能提升

按Python版本的兼容性

1. __slots__

• 兼容版本： Python 2.7 和所有 Python 3.x 版本（3.0+）。
• 详细信息： 在所有现代版本中表现一致。

2. 生成器表达式 ((x for x in ...))

• 兼容版本： Python 2.4+（但在 Python 3.x 中进行了优化）。
• Python 3 的改进：
  • 在 Python 3 中，生成器的内存效率更高。
  • range() 在 Python 3 中已经是一个生成器（在 Python 2 中，它是一个列表）。

3. functools.lru_cache

• 兼容版本：
  • Python 3.2+（包含在标准库中）。
  • Python 2.7 需要 pip install functools32。
• Python 3.8+ 的变化：
  • 新增 user_function 参数以便于自定义。

4. 使用 NumPy 进行向量化

• 兼容版本： Python 2.7 和 Python 3.x（Python 3.7+ 需要 NumPy ≥ 1.16）。
• 推荐： 对于 Python 3.9+，使用 NumPy ≥ 1.19（更好的支持）。

5. Cython

• 兼容版本：
  • Python 2.7（支持到 Cython 0.29.x）。
  • Python 3.x（对于 Python 3.11+ 需要 Cython ≥ 3.0）。
• 重要提示：
  • Python 3.11+ 对解释器进行了优化，在某些情况下减少了原生 Python 和 Cython 之间的性能差距。

6. collections.defaultdict

• 兼容版本： Python 2.5+ 和所有 Python 3.x 版本。
• 版本间没有显著变化。

7. 使用 str.join() 进行字符串连接

• 兼容版本： Python 2.x 和 3.x。
• 在 Python 3.9+ 中的优化：
  • 字符串处理的内部改进（PEP 584）。

总结

• 数据结构： __slots__， defaultdict。
• 内存与 CPU 效率：生成器，NumPy，Cython。
• 算法优化: lru_cache, str.join().