Оптимизация кода на Python

Естественно, самым эффективным будет оптимизация алгоритма, но это индивидуально, посему имеет смысл привести общие советы:

Сокращение повторений операций. Например:

for i in range(n):
    for j in range(n):
        if (i * j < 200):
            p = i * j

можно ускорить как:

for i in range(n):
    for j in range(n):
        tmp = i * j
        if (tmp < 200):
            p = tmp

Помним, что Python обладает сокращенной моделью вычисления условий. То есть, если на некотором этапе условной конструкции уже можно дать ответ, остальную часть конструкции он выполнять не будет. Например:
```
for i in range(n):
    for j in range(n):
        if (a[i][i]*n != 100 and i < j):
            count = 0
```
можно значительно перестановкой условий, ибо первое затратно на вычисления:
```
for i in range(n):
    for j in range(n):
        if (i < j and a[i][i]*n != 100):
            count = 0
```
При оптимизации полезен модуль profile. С помощью его можно получать статистику вызывов функций и времени выполнения. Таким образом, он поможет найти "узкие" места алгоритма. Иногда сии манипуляции называют "профилирование". Пример использования:
```
import profile
profile.run('main()')
```

Далее поговорим про особенности непосредственно языка, их оптимизацией также можно добиться поразительных результатов.

Иногда для часто вызываемых встроенных функций удобно создать псевдоним в локальном пространстве функции:
```
temp =''
for i in range(n):
    for j in range(n):
        temp += str(a[i][j])
```
можно ускорить:
```
lstr = str
temp =''
for i in range(n):
    for j in range(n):
        temp += lstr(a[i][j])
```
Пользуйтесь по возможности xrange вместо range — он более бережно использует память.
Вынос основного кода python в отдельную функцию помогает интерпретатору python лучше проводить внутренние оптимизации:
```
n = 400
A = init_A(n)
for i in range(n):
        A[i][i] *= n * n
B = init_B(n)
printToFile(A,B,n)
```
работает быстрее, если переписать:
```
def run():
    n = 400
    A = init_A(n)
    for i in range(n):
        A[i][i] *= n * n
    B = init_B(n)
    printToFile(A,B,n)

run()
```
Работа с глобальными переменными медленней работы с локальными.
Импорт объектов также лучше делать в локальном пространстве функции.
Пользуйтесь встроенными функциями — многие написаны на C и работают быстрее.
Заменяйте "общие" функции на конкретные:
```
p = math.sqrt(x ** 2 + y ** 2)
```
на
```
p = math.sqrt(x * x + y * y)
```
Заменяйте цикл for на map() где возможно — она написана на C.
При работе с большими массивами чисел используйте NumPy. Для линейной алгебры полезно использовать ATLAS — результаты потрясающие. Подробнее тут.
Старайтесь, чтобы функции обрабатывали агрегаторы данных:
```
for i in xrange(n):
    func(a[i])
```
лучше заменить на:
```
func(a)
```
Кортежи и списки: кортежи неизменяемы, списки — изменяемы. Если данные не будут меняться — используйте кортежи.

В заключение — оптимизировать стоит уже готовый, отлаженный код. И не забывайте про JIT-компиляцию: отличная реализация для Python — PyPy.

Почитать:
http://wiki.python.org/moin/PythonSpeed
http://wiki.python.org/moin/PythonSpeed/PerformanceTips