Jak przyspieszyć wykonanie kodu w notatniku?

Podczas pracy w środowisku notebooka, niezależnie od tego, czy jest to analiza danych, uczenie maszynowe, czy tworzenie oprogramowania, szybkość jest często najważniejsza. Powolne wykonywanie kodu może utrudniać produktywność, opóźniać projekty i zwiększać frustrację. Jako dostawca notebooków rozumiemy znaczenie zapewnienia wydajnego kodowania w notebooku. W tym poście na blogu omówimy różne strategie przyspieszania wykonywania kodu w notatniku, wraz z zaleceniami dotyczącymi notebooków o wysokiej wydajności.

1. Zoptymalizuj swój kod

1.1 Stosuj odpowiednie struktury danych

Jednym z podstawowych sposobów na przyspieszenie wykonywania kodu jest użycie odpowiednich struktur danych. Na przykład w Pythonie, jeśli chcesz wykonać wiele operacji wyszukiwania, austawićlubdyktmoże być znacznie szybszy niż alista.

# Przykład wyglądu listy i zestawu - w górę moja_lista = list(zakres(10000)) mój_zestaw = set(zakres(10000)) czas importu start_time = time.time() dla i w zakresie(1000): 5000 w moja_lista end_time = czas.time() list_time = czas_końca - czas_startu czas_startu = czas.czas() dla i w zakresie(1000): 5000 w mój_zestaw end_time = time.time() set_time = end_time - czas_startu print(f"Wyglądanie listy - czas wyświetlania: {list_time} sekund") print(f"Ustawianie czasu przeglądania: {set_time} sekund")

W tym przykładzie prawdopodobnie zauważysz, że czas wyszukiwania dlaustawićjest znacznie szybszy niż w przypadkulista.

1.2 Unikaj niepotrzebnych pętli

Zagnieżdżone pętle mogą być głównym wąskim gardłem w kodzie. Jeśli to możliwe, staraj się używać funkcji wbudowanych lub operacji wektorowych. Na przykład w NumPy można wykonać wiele operacji na całych tablicach jednocześnie, zamiast przechodzić przez każdy element w pętli.

import numpy as np # Używanie pętli a = np.arange(1000) b = np.arange(1000) c = np.zeros(1000) for i in range(len(a)): c[i] = a[i] + b[i] # Używanie operacji wektoryzowanej c_vectorized = a + b

Operacja wektoryzowana jest na ogół znacznie szybsza niż podejście oparte na pętli.

2. Wykorzystaj siłę bibliotek

2.1 Korzystanie z bibliotek skompilowanych

Python jest językiem interpretowanym, co czasami może prowadzić do wolniejszego wykonywania. Dostępnych jest jednak wiele skompilowanych bibliotek, które mogą przyspieszyć Twój kod. Na przykład,NumPyIPandysą wysoce zoptymalizowane do zadań numerycznych i manipulacji danymi. Pod maską są napisane w języku C i Fortran, co oznacza, że ​​mogą korzystać z optymalizacji niskopoziomowych.

import pand as pd data = {'col1': np.random.randn(10000), 'col2': np.random.randn(10000)} df = pd.DataFrame(data) # Wykonywanie operacji na Pandas DataFrame jest zwykle szybkie ze względu na podstawowe optymalizacje sum_col1 = df['col1'].sum()

2.2 Wykorzystaj kompilację JIT (Just-In-Time).

Biblioteki lubiąNumbazapewnić kompilację JIT dla kodu Pythona. Używając prostego dekoratora, możesz skompilować funkcję Pythona do kodu maszynowego w czasie wykonywania, co może znacznie przyspieszyć jej wykonanie.

import numerba @numba.jit(nopython=True) def suma_zakres(n): wynik = 0 dla i w zakresie(n): wynik += zwracam wynik suma_zakres(1000)

Ta funkcja po uruchomieniu zNumbadekorator, będzie działać znacznie szybciej w porównaniu do wersji nieskompilowanej.

3. Efektywnie zarządzaj zasobami

3.1 Zarządzanie pamięcią

W notebooku pamięć może szybko stać się wąskim gardłem. Ważne jest, aby zwolnić wszelkie zasoby, które nie są już potrzebne. W Pythonie możesz użyćzsłowo kluczowe do usuwania zmiennych igc.collect()funkcja uruchamiająca moduł zbierający elementy bezużyteczne.

duża_zmienna = np.random.rand(1000, 1000) # Wykonaj pewne operacje na dużej_zmiennej del duża_zmienna import gc gc.collect()

3.2 Przetwarzanie równoległe

Jeśli Twoja maszyna ma wiele rdzeni, możesz skorzystać z przetwarzania równoległego, aby przyspieszyć swój kod. Biblioteki lubiąwieloprocesorowośćw Pythonie pozwalają na jednoczesne uruchamianie wielu procesów.

import multiprocessing def kwadrat(x): zwróć x * x if __name__ == '__main__': basen = multiprocessing.Pool(procesy = multiprocessing.cpu_count()) wyniki = basen.map(kwadrat, zakres(1000)) basen.close() basen.join()

4. Wybierz odpowiedni notebook

4.1 Kwestie sprzętowe

Jako dostawca notebooków oferujemy szeroką gamę notebooków o wysokiej wydajności. W przypadku kodowania notebook z szybkim procesorem, wystarczającą ilością pamięci RAM i dyskiem półprzewodnikowym (SSD) może mieć ogromne znaczenie. Wielordzeniowy procesor może wydajniej wykonywać zadania równoległe, a dysk SSD zapewnia szybszy dostęp do danych w porównaniu z tradycyjnym dyskiem twardym.

4.2 Zalecenia dotyczące notebooków

Mamy dla Ciebie kilka świetnych opcji. Jeśli szukasz kompaktowego i stylowego notebooka, sprawdź naszeNotatnik A5 w twardej oprawie. Jest idealny do robienia notatek w podróży, ale może być również używany do zapisywania fragmentów kodu.

Dla tych, którzy wolą atmosferę premium, naszeDziennik skórzany A6to doskonały wybór. Oferuje wysoką jakość pisania i może służyć jako doskonały towarzysz Twoich projektów związanych z kodowaniem.

Jeśli potrzebujesz sporządzania notatek na dużą skalę i zgrubnego kodowania, naszeSpiralne podkładki Stenosą idealne. Zapewniają dużo miejsca i można je łatwo przewracać.

5. Wniosek

Przyspieszenie wykonywania kodu w notatniku obejmuje połączenie optymalizacji kodu, wykorzystania bibliotek, wydajnego zarządzania zasobami i wyboru odpowiedniego notatnika. Stosując się do tych strategii, możesz znacznie poprawić swoją produktywność i skrócić czas oczekiwania na uruchomienie kodu.

Jeśli jesteś zainteresowany zakupem wysokiej jakości notatników do kodowania lub robienia notatek, jesteśmy tu, aby Ci pomóc. Oferujemy szeroką gamę produktów, które są w stanie spełnić Twoje wymagania. Skontaktuj się z nami, aby rozpocząć dyskusję dotyczącą zakupu i znaleźć dla Ciebie idealne notatniki.

Referencje

• VanderPlas, J. (2016). Podręcznik nauki o danych w języku Python: niezbędne narzędzia do pracy z danymi. O'Reilly Media.
• Beazley, D. i Jones, BK (2013). Książka kucharska w języku Python: przepisy na opanowanie języka Python 3. O'Reilly Media.
• McKinney, W. (2017). Python do analizy danych: przetwarzanie danych za pomocą Pand, NumPy i IPython. O'Reilly Media.