Python高性能编程（第2版）
张海龙 译
出版时间：2023年08月
页数：375
“本书将改变你的编程思维，这样的编程著作凤毛麟角。”
——Hilary Mason
Residence at Accel数据科学家
虽然现在编写的Python代码能够正确地运行，但我们希望其运行速度能够更快。本书基于Python 3编写，阐述了如何找出计算密集型程序的性能瓶颈，进而加快代码的执行速度。通过探索设计背后的基本理论，本书让读者对Python实现有了更深入的认识。
本书面向编程经验丰富的Python程序员。读者将学习如何充分利用多核体系结构或集群，如何让系统在不丧失可靠性的情况下扩缩容。通过本书，读者还可获悉众多问题的具体解决方案；了解众多公司在使用高性能Python进行社交媒体分析、产品化机器学习等过程中遇到的难事、趣事。
本书包括以下内容：
● 更牢固地掌握NumPy、Cython和剖析器；
● 了解Python如何抽象底层的计算机体系结构；
● 通过剖析找出CPU和内存消耗方面的瓶颈；
● 选择合适的数据结构来编写高效的程序；
● 提高矩阵和向量计算的速度；
● 使用工具将Python代码编译成机器代码；
● 同时管理多个I/O和计算操作；
● 对多进程代码进行转换，使其能够在本地或远程集群中运行；
● 使用Docker等工具更快地部署代码。
——Hilary Mason
Residence at Accel数据科学家
虽然现在编写的Python代码能够正确地运行，但我们希望其运行速度能够更快。本书基于Python 3编写，阐述了如何找出计算密集型程序的性能瓶颈，进而加快代码的执行速度。通过探索设计背后的基本理论，本书让读者对Python实现有了更深入的认识。
本书面向编程经验丰富的Python程序员。读者将学习如何充分利用多核体系结构或集群，如何让系统在不丧失可靠性的情况下扩缩容。通过本书，读者还可获悉众多问题的具体解决方案；了解众多公司在使用高性能Python进行社交媒体分析、产品化机器学习等过程中遇到的难事、趣事。
本书包括以下内容：
● 更牢固地掌握NumPy、Cython和剖析器；
● 了解Python如何抽象底层的计算机体系结构；
● 通过剖析找出CPU和内存消耗方面的瓶颈；
● 选择合适的数据结构来编写高效的程序；
● 提高矩阵和向量计算的速度；
● 使用工具将Python代码编译成机器代码；
● 同时管理多个I/O和计算操作；
● 对多进程代码进行转换，使其能够在本地或远程集群中运行；
● 使用Docker等工具更快地部署代码。
- 前言
- 第1章 理解高性能Python
- 1.1 基本的计算机系统
- 1.1.1 计算单元
- 1.1.2 存储单元
- 1.1.3 通信层
- 1.2 综合考虑
- 1.3 为何使用Python
- 1.4 如何成为高性能程序员
- 1.4.1 最佳实践
- 1.4.2 对Notebook最佳实践的思考
- 1.4.3 重新发现工作的乐趣
- 第 2章 通过剖析找出瓶颈
- 2.1 高效地剖析
- 2.2 朱利亚集合简介
- 2.3 计算整个朱利亚集合.
- 2.4 简单计时方法—print语句和装饰器
- 2.5 使用UNIX命令time的简单计时
- 2.6 使用模块cProfile
- 2.7 使用SnakeViz可视化cProfile的输出
- 2.8 使用line_profiler逐行剖析
- 2.9 使用memory_profiler诊断内存占用情况
- 2.10 使用PySpy查看既有进程
- 2.11 字节码：幕后发生的情况
- 2.11.1 使用模块dis查看CPython字节码
- 2.11.2 复杂度随方法而异
- 2.12 优化期间使用单元测试确保代码正确
- 2.13 确保代码剖析成功的策略
- 2.14 小结
- 第3章 列表和元组
- 3.1 更高效的查找方式
- 3.2 比较列表和元组
- 3.2.1 作为动态数组的列表
- 3.2.2 作为静态数组的元组
- 3.3 小结
- 第4章 字典和集合
- 4.1 字典和集合的工作原理
- 4.1.1 插入和检索
- 4.1.2 删除
- 4.1.3 调整长度
- 4.1.4 散列函数和熵
- 4.2 字典和名称空间
- 4.3 小结
- 第5章 迭代器和生成器
- 5.1 无穷数列迭代器
- 5.2 延迟执行生成器
- 5.3 小结
- 第6章 矩阵和向量计算
- 6.1 问题简介
- 6.2 Python列表不够好吗
- 6.3 内存碎片
- 6.3.1 理解perf
- 6.3.2 根据perf的输出做决策
- 6.3.3 进入numpy
- 6.4 使用numpy解决扩散问题
- 6.4.1 内存分配和就地操作
- 6.4.2 有选择地优化：找出需要修复的地方
- 6.5 numexpr：让你能够更快、更轻松地执行就地操作
- 6.6 警示故事：对优化进行验证（scipy）
- 6.7 从矩阵优化获得的经验教训
- 6.8 Pandas
- 6.8.1 Pandas的内部模型
- 6.8.2 将函数应用于多行数据
- 6.8.3 根据部分结果而不是使用拼接来创建DataFrame和Series
- 6.8.4 有多种解决问题的方式（而且可能有更快的方式）
- 6.8.5 Pandas高效开发建议
- 6.9 小结
- 第7章 编译成C代码
- 7.1 速度提升方法
- 7.2 JIT编译器和AOT编译器
- 7.3 为何类型信息有助于提高代码运行速度
- 7.4 使用C语言编译器
- 7.5 回顾朱利亚集合示例
- 7.6 Cython
- 7.7 pyximport
- 7.7.1 使用Cython标注选项来分析代码块
- 7.7.2 添加类型标注
- 7.8 Cython和numpy
- 7.9 Numba
- 7.10 PyPy
- 7.10.1 垃圾收集方面的差异
- 7.10.2 运行PyPy及安装模块
- 7.11 速度提升小结
- 7.12 各种技术的适用场景
- 7.13 图形处理单元
- 7.13.1 动态图：PyTorch
- 7.13.2 GPU基本剖析
- 7.13.3 GPU性能考虑因素
- 7.13.4 在什么情况下使用GPU
- 7.14 语言交互接口
- 7.14.1 ctypes
- 7.14.2 cffi
- 7.14.3 f2py
- 7.14.4 CPython模块
- 7.15 小结
- 第8章 异步I/O
- 8.1 异步编程简介
- 8.2 async/await的工作原理
- 8.2.1 串行爬虫
- 8.2.2 gevent
- 8.2.3 tornado
- 8.2.4 aiohttp
- 8.3 兼具CPU密集型和I/O密集型的问题
- 8.3.1 串行版
- 8.3.2 分批处理结果
- 8.3.3 完全异步
- 8.4 小结
- 第9章 模块multiprocessing
- 9.1 模块multiprocessing概述
- 9.2 使用蒙特卡罗方法估算圆周率
- 9.3 使用进程和线程估算圆周率
- 9.3.1 使用Python对象
- 9.3.2 使用Joblib而不是multiprocessing
- 9.3.3 并行系统中的随机数
- 9.3.4 使用numpy
- 9.4 查找素数
- 9.5 使用进程间通信验证素数
- 9.5.1 串行解决方案
- 9.5.2 朴素进程池解决方案
- 9.5.3 改进的朴素进程池解决方案
- 9.5.4 将Manager.Value用作标志
- 9.5.5 将Redis用作标志
- 9.5.6 将RawValue用作标志
- 9.5.7 将mmap用作标志
- 9.5.8 将mmap用作标志（终极版）
- 9.6 使用multiprocessing共享numpy数据
- 9.7 同步文件和变量访问
- 9.7.1 锁定文件
- 9.7.2 锁定值
- 9.8 小结
- 第10章 集群和作业队列
- 10.1 集群的优点
- 10.2 集群的缺点
- 10.2.1 糟糕的集群升级策略让华尔街大牛损失4.62亿美元
- 10.2.2 Skype全球24小时中断服务
- 10.3 常见的集群设计
- 10.4 如何启动集群解决方案
- 10.5 使用集群时如何避免麻烦
- 10.6 两种集群解决方案
- 10.6.1 使用IPython Parallel为研究工作提供支持
- 10.6.2 使用Dask并行化Pandas
- 10.7 使用NSQ打造健壮的生产集群
- 10.7.1 队列
- 10.7.2 发布者/订阅者
- 10.7.3 分布式素数计算
- 10.8 其他集群工具
- 10.9 Docker
- 10.9.1 Docker的性能
- 10.9.2 Docker的优点
- 10.10 小结
- 第 11章 减少内存占用量
- 11.1 基本类型对象的开销很高
- 11.1.1 模块array可高效地存储大量的基本类型对象
- 11.1.2 使用NumExpr减少NumPy占用的内存量
- 11.2 理解集合占用的内存
- 11.3 比较字节和Unicode
- 11.4 在内存中高效地存储大量文本
- 11.5 使用scikit-learn FeatureHasher进行文本建模
- 11.6 DictVectorizer和FeatureHasher简介
- 11.7 SciPy稀疏矩阵
- 11.8 减少内存占用量的技巧
- 11.9 概率数据结构
- 11.9.1 使用1字节的莫里斯计数器实现非常接近的计数
- 11.9.2 K最小值
- 11.9.3 布隆过滤器
- 11.9.4 LogLog计数器
- 11.9.5 实例
- 第 12章 实战经验教训
- 12.1 使用特征引擎简化特征工程流水线
- 12.1.1 机器学习中的特征工程
- 12.1.2 艰巨的特征工程流水线部署任务
- 12.1.3 利用开源Python库
- 12.1.4 使用Feature-engine简化特征工程流水线的构建和部署工作
- 12.1.5 推广新的开源包
- 12.1.6 开发和维护开源库及鼓励积极投稿
- 12.2 表现出色的数据科学团队
- 12.2.1 需要多长时间
- 12.2.2 探索和规划
- 12.2.3 管理预期和交付
- 12.3 Numba
- 12.3.1 一个简单的示例
- 12.3.2 最佳实践和建议
- 12.3.3 寻求帮助
- 12.4 优化和思维
- 12.5 Adaptive Lab的社交媒体分析（2014）
- 12.5.1 Adaptive Lab的Python使用情况
- 12.5.2 SoMA的设计
- 12.5.3 开发方法
- 12.5.4 维护SoMA
- 12.5.5 给同行的建议
- 12.6 RadimRehurek网站如何让深度学习快步如飞（2014）
- 12.6.1 管用的策略
- 12.6.2 优化方面的经验教训
- 12.6.3 结语
- 12.7 Lyst网站可用于生产环境的大规模机器学习（2014）
- 12.7.1 集群设计
- 12.7.2 发展迅猛的初创公司中的代码迭代
- 12.7.3 构建推荐引擎
- 12.7.4 报告和监控
- 12.7.5 一些建议
- 12.8 Smesh的大规模社交媒体分析（2014）
- 12.8.1 Python在Smesh中扮演的角色
- 12.8.2 平台
- 12.8.3 实时高性能字符串匹配
- 12.8.4 报告、监控、调试和部署
- 12.9 使用PyPy成功地实现Web和数据处理系统（2014）
- 12.9.1 使用的工具
- 12.9.2 数据库
- 12.9.3 Web应用
- 12.9.4 OCR和翻译
- 12.9.5 任务分配和任务队列
- 12.9.6 结语
- 12.10 Lanyrd的任务队列（2014）
- 12.10.1 Python在Lanyrd扮演的角色
- 12.10.2 让任务队列表现出色
- 12.10.3 报告、监控、调试和部署
- 12.10.4 给同行的建议
书名：Python高性能编程（第2版）
作者：Micha Gorelick, Ian Ozsvald 著
译者：张海龙 译
国内出版社：人民邮电出版社
出版时间：2023年08月
页数：375
书号：978-7-115-59947-6
原版书书名：High Performance Python, 2nd Edition
原版书出版商：O'Reilly Media
购买选项
|
© 2024，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|