Python高性能（第2版）

本书主要介绍如何让Python 程序发挥强大性能，内容涵盖针对数值计算和科学代码的优化，以及用于提高Web 服务和应用响应速度的策略。具体内容有：基准测试与剖析、纯粹的Python 优化、基于NumPy和Pandas 的快速数组操作、使用Cython 获得C 语言性能、编译器探索、实现并发性、并行处理、分布式处理、高性能设计等。

加布丽埃勒·拉纳诺（Gabriele Lanaro）

数据科学家、软件工程师，对机器学习、信息检索、数值计算可视化、Web开发、计算机图形学和系统管理有浓厚的兴趣。开源软件包chemlab和chemview的kai发者。现jiu职于Tableau软件公司。

Python是一种通用型编程语言，其语法清晰简洁、标准库强大，还有大量的第三方库，因而近几年人气急剧上升，在很多领域都得到了广泛应用。

本书是一本Python性能提升指南，展示了如何利用Python的原生库以及丰富的第三方库来构建健壮的应用程序。书中阐释了如何利用各种剖析器来找出Python应用程序的性能瓶颈，并应用正确的算法和高效的数据结构来解决它们；介绍了如何有效地利用NumPy、Pandas和Cython高性能地执行数值计算；解释了异步编程的相关概念，以及如何利用响应式编程实现响应式应用程序；概述了并行编程的概念，并论述了如何利用TensorFlow和Theano为并行架构编写代码，以及如何通过Dask和PySpark等技术在计算机集群上执行大规模计算。

通过学习本书，你将能够实现高性能、可伸缩的Python应用程序。

- 利用NumPy和Pandas编写高效的数值计算代码
- 利用Cython和Numba实现近似本地的性能
- 利用剖析器发现Python应用程序的瓶颈
- 利用asyncio和RxPy编写整洁的并发代码
- 利用TensorFlow和Theano在Python中自动实现并行性
- 利用Dask和PySpark在计算机集群上运行分布式并行算法

第 1 章 基准测试与剖析 1
1．1　设计应用程序　2
1．2　编写测试和基准测试程序　7
1．3　使用pytest-benchmark 编写更佳的测试和基准测试程序　10
1．4　使用cProfile 找出瓶颈　12
1．5　使用line_profiler 逐行进行剖析　16
1．6　优化代码　17
1．7　模块dis　19
1．8　使用memory_profiler 剖析内存使用情况　19
1．9　小结　21
第　2 章 纯粹的Python 优化　22
2．1　有用的算法和数据结构　22
2．1．1　列表和双端队列　23
2．1．2　字典　25
2．1．3　集　28
2．1．4　堆　29
2．1．5　字典树　30
2．2　缓存和memoization　32
2．3　推导和生成器　34
2．4　小结　36
第3　章 使用NumPy 和Pandas 快速执行数组操作　37
3．1　NumPy 基础　37
3．1．1　创建数组　38
3．1．2　访问数组　39
3．1．3　广播　43
3．1．4　数学运算　45
3．1．5　计算范数　46
3．2　使用NumPy 重写粒子模拟器　47
3．3　使用numexpr zui大限度地提高性能　49
3．4　Pandas　51
3．4．1　Pandas 基础　51
3．4．2　使用Pandas 执行数据库式操作　55
3．5　小结　59
第4　章 使用Cython 获得C 语言性能　60
4．1　编译Cython 扩展　60
4．2　添加静态类型　62
4．2．1　变量　63
4．2．2　函数　64
4．2．3　类　65
4．3　共享声明　66
4．4　使用数组　67
4．4．1　C 语言数组和指针　67
4．4．2　NumPy 数组　69
4．4．3　类型化内存视图　70
4．5　使用Cython 编写粒子模拟器　72
4．6　剖析Cython 代码　75
4．7　在Jupyter 中使用Cython　78
4．8　小结　80
第5　章 探索编译器　82
5．1　Numba　82
5．1．1　Numba 入门　83
5．1．2　类型特殊化　84
5．1．3　对象模式和原生模式　85
5．1．4　Numba 和NumPy　88
5．1．5　JIT 类　91
5．1．6　Numba 的局限性　94
5．2　PyPy 项目　95
5．2．1　安装PyPy　95
5．2．2　在PyPy 中运行粒子模拟器　96
5．3　其他有趣的项目　97
5．4　小结　97
第6　章 实现并发性　98
6．1　异步编程　98
6．1．1　等待I/O　99
6．1．2　并发　99
6．1．3　回调函数　101
6．1．4　future　104
6．1．5　事件循环　105
6．2　asyncio 框架　108
6．2．1　协程　108
6．2．2　将阻塞代码转换为非阻塞代码　111
6．3　响应式编程　113
6．3．1　被观察者　113
6．3．2　很有用的运算符　115
6．3．3　hot 被观察者和cold 被观察者　118
6．3．4　打造CPU 监视器　121
6．4　小结　123
第7　章 并行处理　124
7．1　并行编程简介　124
7．2　使用多个进程　127
7．2．1　Process 和Pool 类　127
7．2．2　接口Executor　129
7．2．3　使用蒙特卡洛方法计算pi 的近似值　130
7．2．4　同步和锁　132
7．3　使用OpenMP 编写并行的Cython代码　134
7．4　并行自动化　136
7．4．1　Theano 初步　137
7．4．2　Tensorflow　142
7．4．3　在GPU 中运行代码　144
7．5　小结　146
第8　章 分布式处理　148
8．1　分布式计算简介　148
8．2　Dask　151
8．2．1　有向无环图　151
8．2．2　Dask 数组　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 环境　161
8．3．2　Spark 架构　162
8．3．3　弹性分布式数据集　164
8．3．4　Spark DataFrame　168
8．4　使用mpi4py 执行科学计算　169
8．5　小结　171
第9　章 高性能设计　173
9．1　选择合适的策略　173
9．1．1　普通应用程序　174
9．1．2　数值计算代码　174
9．1．3　大数据　176
9．2　组织代码　176
9．3　隔离、虚拟环境和容器　178
9．3．1　使用conda 环境　178
9．3．2　虚拟化和容器　179
9．4　持续集成　183
9．5　小结　184

python,计算科学,Python,Dimitri_Shvorob推荐