Pythonコードを高速化する11の最適化テクニック

Pythonはコンパイル言語ほど高速ではないことは周知の事実ですが、大手企業がPythonで大規模なワークロードを処理している事例からも分かるように、決して「遅い言語」ではありません。この記事では、正しく動作するPythonプログラムをさらに速く、効率的にするために押さえておきたい最適化のヒントを11個紹介します。

ヒント1: 組み込み関数を活用する

Pythonで独自に効率的なコードを書くことも可能ですが、C言語で実装された組み込み関数の速度には到底及びません。利用可能な組み込み関数はdir(__builtins__)で一覧表示できるので、車輪の再発明をする前に必ず確認しましょう。

ヒント2: 変数の入れ替えには多重代入を使う

変数の値を交換する際は、一時変数を使う代わりにPythonの多重代入を利用しましょう。

>>> # 一時変数を使う方法（遅い）
>>> temp = x
>>> x = y
>>> y = temp

>>> # 多重代入を使う方法（速い）
>>> x, y = y, x

ヒント3: グローバル変数を避け、可能な限りローカル変数を使う

Pythonでは、グローバル変数へのアクセスよりもローカル変数へのアクセスの方が高速です。グローバル変数の使用はできるだけ避けましょう。

ヒント4: メンバーシップ判定には「in」を使う

要素の存在確認には「in」キーワードを使用しましょう。コードがすっきりし、処理も高速です。

for key in sequence:
    print("Hello ", key)

ヒント5: 無限ループには「while 1」を使う

リスニングソケットなど、プログラムで無限ループが必要になる場面があります。「while True」でも同じ動作をしますが、「while 1」は単一のジャンプ命令になるため、より高速に動作します。

>>> while 1:
    # 何かの処理（while 1の方が高速）

>>> while True:
    # 同じ処理だが、上記よりやや遅い

ヒント6: リスト内包表記を使う

Python 2.0以降で使えるリスト内包表記は、多くの「for」や「while」ブロックを置き換えられます。インタプリタがループ中の予測可能なパターンを検出できるよう最適化されているため、はるかに高速です。可読性も高く、カウンタ用の余分な変数も不要になります。

例えば、1〜25の間の偶数を1行で求めるコードは以下の通りです。

>>> # リスト内包表記を使う方法（良い例）
>>> print([i for i in range(25) if i % 2 == 0])
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24]

# 通常のループを使う方法（非効率）
i = 0
evens = []
while i < 25:
    if i % 2 == 0:
        evens.append(i)
    i += 1
print(evens)
[0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22, 24]

ヒント7: 必要なときに値を生成するジェネレータを使う

Pythonのジェネレータを使うとメモリを節約でき、パフォーマンスも向上します。例えば動画のストリーミング配信では、ストリーム全体ではなくバイト列のチャンク単位で送信できます。

>>> chunkBytes = (1000 * i for i in range(1000))
>>> next(chunkBytes)
0
>>> next(chunkBytes)
1000
>>> next(chunkBytes)
2000
>>> next(chunkBytes)
3000

ヒント8: itertoolsモジュールを使う

itertoolsモジュールは、イテレーションや組み合わせの処理において非常に有用かつ効率的です。

リスト [1, 2, 3, 4] のすべての順列を、わずか数行のPythonコードで生成できます。

>>> import itertools
>>> iter1 = itertools.permutations([1, 2, 3, 4])
>>> list(iter1)
[(1, 2, 3, 4), (1, 2, 4, 3), (1, 3, 2, 4), (1, 3, 4, 2), (1, 4, 2, 3), (1, 4, 3, 2), (2, 1, 3, 4), (2, 1, 4, 3), (2, 3, 1, 4), (2, 3, 4, 1), (2, 4, 1, 3), (2, 4, 3, 1), (3, 1, 2, 4), (3, 1, 4, 2), (3, 2, 1, 4), (3, 2, 4, 1), (3, 4, 1, 2), (3, 4, 2, 1), (4, 1, 2, 3), (4, 1, 3, 2), (4, 2, 1, 3), (4, 2, 3, 1), (4, 3, 1, 2), (4, 3, 2, 1)]

ヒント9: ソート済みリストの維持にはbisectモジュールを使う

bisectモジュールは、無料で使える二分探索の実装であり、ソート済みシーケンスへの高速な挿入ツールです。

>>> import bisect
>>> bisect.insort(list, element)

この方法で要素を挿入すれば、コンテナをソート済みの状態に保つために再度sort()を呼び出す必要がありません。長いシーケンスに対するsort()の呼び出しは非常にコストが大きくなります。

ヒント10: 辞書とセットでメンバーシップ判定を行う

辞書とセットはハッシュテーブルで実装されているため、Pythonでは要素の存在確認が非常に高速です。ルックアップはO(1)で完了することもあります。

>>> lst = ['a', 'ab', 'abc']  # 遅い：リストでの存在確認
>>> 'abc' in lst
True
>>> mySet = set(['a', 'ab', 'abc'])  # 速い：セットや辞書での存在確認
>>> 'abc' in mySet
True

ヒント11: デコレータで結果をキャッシュする

Pythonのデコレータは「@」記号で表されます。デコレータはトレース、ロック、ログ取得だけでなく、後で必要になる結果を関数に記憶させる（メモ化）ためにも使えます。

>>> from functools import wraps
>>> def memo(f):
    cache = {}
    @wraps(f)
    def wrap(*arg):
        if arg not in cache:
            cache[arg] = f(*arg)
        return cache[arg]
    return wrap

このデコレータはフィボナッチ関数にも適用できます。

>>> @memo
def fib(i):
    if i < 2:
        return 1
    return fib(i-1) + fib(i-2)

基本的な考え方は、計算済みのフィボナッチ数を関数に記憶させることです。キャッシュに存在する値は再計算せずに済むため、再帰処理の大幅な高速化が期待できます。