Python高性能编程【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

Python高性能编程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 理解高性能Python1

1.1基本的计算机系统1

1.1.1计算单元2

1.1.2存储单元5

1.1.3通信层6

1.2将基本的元素组装到一起8

1.3为什么使用Python12

第2章 通过性能分析找到瓶颈15

2.1高效地分析性能16

2.2 Julia集合的介绍17

2.3计算完整的Julia集合20

2.4计时的简单方法——打印和修饰24

2.5用UNIX的time命令进行简单的计时27

2.6使用cProfiile模块28

2.7用runsnakerun对cProfiile的输出进行可视化33

2.8用line_profiiler进行逐行分析34

2.9用memory_profiler诊断内存的用量39

2.10用heapy调查堆上的对象45

2.11用dowser实时画出变量的实例47

2.12用dis模块检查CPython字节码49

2.13在优化期间进行单元测试保持代码的正确性53

2.14确保性能分析成功的策略56

2.15 小结57

第3章 列表和元组58

3.1一个更有效的搜索61

3.2列表和元组63

3.2.1动态数组：列表64

3.2.2静态数组：元组67

3.3小结68

第4章 字典和集合69

4.1字典和集合如何工作72

4.1.1插入和获取73

4.1.2删除76

4.1.3改变大小76

4.1.4散列函数和熵76

4.2字典和命名空间80

4.3小结83

第5章 迭代器和生成器84

5.1无穷数列的迭代器87

5.2生成器的延迟估值89

5.3小结93

第6章 矩阵和矢量计算94

6.1问题介绍95

6.2 Python列表还不够吗99

6.3内存碎片103

6.3.1理解perf105

6.3.2根据perf输出做出抉择106

6.3.3使用numpy107

6.4用numpy解决扩散问题110

6.4.1内存分配和就地操作113

6.4.2选择优化点：找到需要被修正的地方116

6.5 numexpr：让就地操作更快更简单120

6.6告诫故事：验证你的“优化”（scipy）121

6.7小结123

第7章 编译成C126

7.1可能获得哪种类型的速度提升127

7.2 JIT和AOT编译器的对比129

7.3为什么类型检查有助代码更快运行129

7.4使用C编译器130

7.5复习Julia集的例子131

7.6 Cython131

7.6.1使用Cython编译纯Python版本132

7.6.2 Cython注解来分析代码块134

7.6.3增加一些类型注解136

7.7 Shed Skin140

7.7.1构建扩展模块141

7.7.2内存拷贝的开销144

7.8 Cython和numpy144

7.9 Numba148

7.10 Pythran149

7.11 PyPy151

7.11.1垃圾收集的差异152

7.11.2运行PyPy并安装模块152

7.12什么时候使用每种工具154

7.12.1其他即将出现的项目155

7.12.2一个图像处理单元（GPU）的注意点156

7.12.3一个对未来编译器项目的展望157

7.13外部函数接口157

7.13.1 ctypes158

7.13.2 cffii160

7.13.3 f2py163

7.13.4 CPython模块166

7.14小结170

第8章 并发171

8.1异步编程介绍172

8.2串行爬虫175

8.3 gevent177

8.4 tornado182

8.5 AsyncIO185

8.6数据库的例子188

8.7小结191

第9章multiprocessing模块193

9.1 multiprocessing模块综述196

9.2使用蒙特卡罗方法来估算pi198

9.3使用多进程和多线程来估算pi199

9.3.1使用Python对象200

9.3.2并行系统中的随机数207

9.3.3使用numpy207

9.4寻找素数210

9.5使用进程间通信来验证素数221

9.5.1串行解决方案225

9.5.2 Naive Pool解决方案225

9.5.3 Less Naive Pool解决方案226

9.5.4使用Manager.Value作为一个标记227

9.5.5使用Redis作为一个标记229

9.5.6使用RawValue作为一个标记232

9.5.7使用mmap作为一个标记232

9.5.8使用mmap作为一个标记的终极效果234

9.6用multiprocessing来共享numpy数据236

9.7同步文件和变量访问243

9.7.1文件锁243

9.7.2给Value加锁247

9.8小结249

第10章 集群和工作队列251

10.1集群的益处252

10.2集群的缺陷253

10.2.1糟糕的集群升级策略造成华尔街损失4.62亿美元254

10.2.2 Skype的24小时全球中断255

10.3通用的集群设计255

10.4怎样启动一个集群化的解决方案256

10.5使用集群时避免痛苦的方法257

10.6三个集群化解决方案258

10.6.1为简单的本地集群使用Parallel Python模块259

10.6.2使用IPython Parallel来支持研究260

10.7为鲁棒生产集群的NSQ265

10.7.1队列265

10.7.2发布者／订阅者266

10.7.3分布式素数计算器268

10.8看一下其他的集群化工具271

10.9小结272

第11章 使用更少的RAM273

11.1基础类型的对象开销高274

11.2理解集合中的RAM使用278

11.3字节和Unicode的对比280

11.4高效地在RAM中存储许多文本281

11.5使用更少RAM的窍门290

11.6概率数据结构291

11.6.1使用1字节的Morris计数器来做近似计数292

11.6.2 K最小值295

11.6.3布隆过滤器298

11.6.4 LogLog计数器303

11.6.5真实世界的例子307

第12章 现场教训311

12.1自适应实验室（Adaptive Lab）的社交媒体分析（SoMA）311

12.1.1自适应实验室（Adaptive Lab）使用的Python312

12.1.2 SoMA的设计312

12.1.3我们的开发方法论313

12.1.4维护SoMA313

12.1.5对工程师同行的建议313

12.2使用RadimRehurek.com让深度学习飞翔314

12.2.1最佳时机314

12.2.2优化方面的教训316

12.2.3总结318

12.3在Lyst.com的大规模产品化的机器学习318

12.3.1 Python在Lyst的地位319

12.3.2集群设计319

12.3.3在快速前进的初创公司中做代码评估319

12.3.4构建推荐引擎319

12.3.5报告和监控320

12.3.6一些建议320

12.4在Smesh的大规模社交媒体分析321

12.4.1 Python在Smesh中的角色321

12.4.2平台321

12.4.3高性能的实时字符串匹配322

12.4.4报告、监控、调试和部署323

12.5 PyPy促成了成功的Web和数据处理系统324

12.5.1先决条件325

12.5.2数据库325

12.5.3 Web应用326

12.5.4 OCR和翻译326

12.5.5任务分发和工作者327

12.5.6结论327

12.6在Lanyrd.com中的任务队列327

12.6.1 Python在Lanyrd中的角色328

12.6.2使任务队列变高性能328

12.6.3报告、监控、调试和部署328

12.6.4对开发者同行的建议329