Python高性能（第2版）

第 1 章 基準(zhǔn)測(cè)試與剖析 1
1．1　設(shè)計(jì)應(yīng)用程序　2
1．2　編寫測(cè)試和基準(zhǔn)測(cè)試程序　7
1．3　使用pytest-benchmark 編寫更佳的測(cè)試和基準(zhǔn)測(cè)試程序　10
1．4　使用cProfile 找出瓶頸　12
1．5　使用line_profiler 逐行進(jìn)行剖析　16
1．6　優(yōu)化代碼　17
1．7　模塊dis　19
1．8　使用memory_profiler 剖析內(nèi)存使用情況　19
1．9　小結(jié)　21
第　2 章 純粹的Python 優(yōu)化　22
2．1　有用的算法和數(shù)據(jù)結(jié)構(gòu)　22
2．1．1　列表和雙端隊(duì)列　23
2．1．2　字典　25
2．1．3　集　28
2．1．4　堆　29
2．1．5　字典樹　30
2．2　緩存和memoization　32
2．3　推導(dǎo)和生成器　34
2．4　小結(jié)　36
第3　章 使用NumPy 和Pandas 快速執(zhí)行數(shù)組操作　37
3．1　NumPy 基礎(chǔ)　37
3．1．1　創(chuàng)建數(shù)組　38
3．1．2　訪問數(shù)組　39
3．1．3　廣播　43
3．1．4　數(shù)學(xué)運(yùn)算　45
3．1．5　計(jì)算范數(shù)　46
3．2　使用NumPy 重寫粒子模擬器　47
3．3　使用numexpr zui大限度地提高性能　49
3．4　Pandas　51
3．4．1　Pandas 基礎(chǔ)　51
3．4．2　使用Pandas 執(zhí)行數(shù)據(jù)庫式操作　55
3．5　小結(jié)　59
第4　章 使用Cython 獲得C 語言性能　60
4．1　編譯Cython 擴(kuò)展　60
4．2　添加靜態(tài)類型　62
4．2．1　變量　63
4．2．2　函數(shù)　64
4．2．3　類　65
4．3　共享聲明　66
4．4　使用數(shù)組　67
4．4．1　C 語言數(shù)組和指針　67
4．4．2　NumPy 數(shù)組　69
4．4．3　類型化內(nèi)存視圖　70
4．5　使用Cython 編寫粒子模擬器　72
4．6　剖析Cython 代碼　75
4．7　在Jupyter 中使用Cython　78
4．8　小結(jié)　80
第5　章 探索編譯器　82
5．1　Numba　82
5．1．1　Numba 入門　83
5．1．2　類型特殊化　84
5．1．3　對(duì)象模式和原生模式　85
5．1．4　Numba 和NumPy　88
5．1．5　JIT 類　91
5．1．6　Numba 的局限性　94
5．2　PyPy 項(xiàng)目　95
5．2．1　安裝PyPy　95
5．2．2　在PyPy 中運(yùn)行粒子模擬器　96
5．3　其他有趣的項(xiàng)目　97
5．4　小結(jié)　97
第6　章 實(shí)現(xiàn)并發(fā)性　98
6．1　異步編程　98
6．1．1　等待I/O　99
6．1．2　并發(fā)　99
6．1．3　回調(diào)函數(shù)　101
6．1．4　future　104
6．1．5　事件循環(huán)　105
6．2　asyncio 框架　108
6．2．1　協(xié)程　108
6．2．2　將阻塞代碼轉(zhuǎn)換為非阻塞代碼　111
6．3　響應(yīng)式編程　113
6．3．1　被觀察者　113
6．3．2　很有用的運(yùn)算符　115
6．3．3　hot 被觀察者和cold 被觀察者　118
6．3．4　打造CPU 監(jiān)視器　121
6．4　小結(jié)　123
第7　章 并行處理　124
7．1　并行編程簡(jiǎn)介　124
7．2　使用多個(gè)進(jìn)程　127
7．2．1　Process 和Pool 類　127
7．2．2　接口Executor　129
7．2．3　使用蒙特卡洛方法計(jì)算pi 的近似值　130
7．2．4　同步和鎖　132
7．3　使用OpenMP 編寫并行的Cython代碼　134
7．4　并行自動(dòng)化　136
7．4．1　Theano 初步　137
7．4．2　Tensorflow　142
7．4．3　在GPU 中運(yùn)行代碼　144
7．5　小結(jié)　146
第8　章 分布式處理　148
8．1　分布式計(jì)算簡(jiǎn)介　148
8．2　Dask　151
8．2．1　有向無環(huán)圖　151
8．2．2　Dask 數(shù)組　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 環(huán)境　161
8．3．2　Spark 架構(gòu)　162
8．3．3　彈性分布式數(shù)據(jù)集　164
8．3．4　Spark DataFrame　168
8．4　使用mpi4py 執(zhí)行科學(xué)計(jì)算　169
8．5　小結(jié)　171
第9　章 高性能設(shè)計(jì)　173
9．1　選擇合適的策略　173
9．1．1　普通應(yīng)用程序　174
9．1．2　數(shù)值計(jì)算代碼　174
9．1．3　大數(shù)據(jù)　176
9．2　組織代碼　176
9．3　隔離、虛擬環(huán)境和容器　178
9．3．1　使用conda 環(huán)境　178
9．3．2　虛擬化和容器　179
9．4　持續(xù)集成　183
9．5　小結(jié)　184