當談到程式設計效率和性能最佳化時，Python 常常被調侃為「慢如蝸牛」
有趣的是，Python 程式碼在函數中運行往往比在全局範圍內運行要快得多
小夥伴們可能會有這個疑問：為什麼在函數中運行的 Python 程式碼速度更快？
今天這篇文章將會解答大家心中的疑惑
原文連結：https://stackabuse.com/why-does-python-code-run-faster-in-a-function/
譯文
要理解為什麼 Python 程式碼在函數中運行得更快，我們需要首先了解 Python 是如何執行程式碼的
我們知道，python 是一種解釋型語言，它會逐行讀取並執行程式碼
當運行一個 python 程序的時候，首先將程式碼編譯成位元組碼（一種更接近機器碼的中間語言）然後 python 直譯器執行位元組碼
由上所示，python 中的 dis 模組將函數hello_world分解為位元組碼
需要注意的是，python 直譯器是一個執行位元組碼的虛擬機器，默認的 python 直譯器是用 C 編寫的，即 CPython
還有其他的 python 直譯器如 Jython(用 Java 編寫)，IronPython(用於 .net)和PyPy(用 Python 和 C 編寫)
為什麼 python 程式碼在函數中運行得更快
我們來編寫一個簡單的例子：定義一個函數my_function，函數內部包含一個 for 循環
編譯該函數的時候，位元組碼可能如下所示
這裡的關鍵指令是STORE_FAST，用於儲存循環變數i
現在我們把這個 for 循環放在 python 腳本的頂層（全局範圍內），然後再來看一下位元組碼
可以看到關鍵指令變成了STORE_NAME，而不是STORE_FAST
位元組碼STORE_FAST比STORE_NAME快，因為在函數中，局部變數儲存在固定長度的陣列中，而不是儲存在字典中。這個陣列可以通過索引直接訪問，使得變數檢索非常快
基本上，它只是一個指向列表的指針，並增加了 PyObject 的引用計數，這兩個都是高效的操作
另一方面，全局變數儲存在一個字典。當訪問全局變數時，Python 必須執行雜湊表查找，這涉及計算哈希值，然後檢索與之關聯的值
雖然經過最佳化，但仍然比基於索引的查找慢
基準測試驗證
我們知道在 Python 中，程式碼執行的速度取決於程式碼執行的位置——在函數中還是在全局作用域中
讓我們用一個簡單的基準測試的例子來比較一下
首先定義一個求階乘的函數
然後在全局範圍內執行相同的程式碼
為了對這兩段程式碼進行基準測試，我們可以在 Python 中使用timeit模組，它提供了一種簡單的方法來對少量 Python 程式碼進行計時
可以看到，函數程式碼的執行速度比全局作用域程式碼要快
需要注意的是，這兩段程式碼最好不要放在同一腳本中，要分開單獨運行
這是因為
benchmark()函數在執行時間上增加了一些開銷，並且全局程式碼在內部進行了最佳化
cProfile 分析
python 提供了一個cProfile內建模組
讓我們用它來分析一個新例子：在局部和全局範圍內計算平方和
上面的例子中，可以認為sum_of_squares_g()函數是全局的，因為它使用了兩個全局變數，i和total
從性能分析結果中，可以看到函數程式碼在執行時間方面比全局更有效
如何最佳化 python 函數的性能
前面我們知道，Python 程式碼在函數中運行往往比在全局範圍內運行要快得多
如果想要進一步提高 python 函數程式碼效率，不妨考慮一下使用局部變數而不是全局變數
另一種方法是儘可能使用內建函數和庫。Python 的內建函數是用 C 實現的，比 Python 快得多
比如 NumPy 和 Pandas，也是用 C 或 C++ 實現的，它們比實現同樣功能的 Python 程式碼速度更快
又比如同樣是實現數字求和的功能，python 內建的sum函數要比你自己編寫函數速度更快
