本书主要介绍如何让Python 程序发挥强大性能，内容涵盖针对数值计算和科学代码的优化，以及用于提高Web 服务和应用响应速度的策略。具体内容有：基准测试与剖析、纯粹的Python 优化、基于NumPy和Pandas 的快速数组操作、使用Cython 获得C 语言性能、编译器探索、实现并发性、并行处理、分布式处理、高性能设计等。

加布丽埃勒·拉纳诺（Gabriele Lanaro），数据科学家、软件工程师，对机器学习、信息检索、数值计算可视化、Web开发、计算机图形学和系统管理有浓厚的兴趣。开源软件包chemlab和chemview的开发者。现就职于Tableau软件公司。

  
\t章基准测试与剖析1



\t1.1设计应用程序2



\t1.2编写测试和基准测试程序7



\t1.3使用pytest-benchmark编写更佳的测试和基准测试程序10



\t1.4使用cProfile找出瓶颈12



\t1.5使用line_profiler逐行进行剖析16



\t1.6优化代码17



\t1.7模块dis19



\t1.8使用memory_profiler剖析内存使用情况19



\t1.9小结21



\t第2章纯粹的Python优化22



\t2.1有用的算法和数据结构22



\t2.1.1列表和双端队列23



\t2.1.2字典25



\t2.1.3集28



\t2.1.4堆29



\t2.1.5字典树30



\t2.2缓存和memoization32



\t2.3推导和生成器34



\t2.4小结36



\t第3章使用NumPy和Pandas快速执行数组操作37



\t3.1NumPy基础37



\t3.1.1创建数组38



\t3.1.2访问数组39



\t3.1.3广播43



\t3.1.4数学运算45



\t3.1.5计算范数46



\t3.2使用NumPy重写粒子模拟器47



\t3.3使用numexprzui大限度地提高性能49



\t3.4Pandas51



\t3.4.1Pandas基础51



\t3.4.2使用Pandas执行数据库式操作55



\t3.5小结59



\t第4章使用Cython获得C语言性能60



\t4.1编译Cython扩展60



\t4.2添加静态类型62



\t4.2.1变量63



\t4.2.2函数64



\t4.2.3类65



\t4.3共享声明66



\t4.4使用数组67



\t4.4.1C语言数组和指针67



\t4.4.2NumPy数组69



\t4.4.3类型化内存视图70



\t4.5使用Cython编写粒子模拟器72



\t4.6剖析Cython代码75



\t4.7在Jupyter中使用Cython78



\t4.8小结80



\t第5章探索编译器82



\t5.1Numba82



\t5.1.1Numba入门83



\t5.1.2类型特殊化84



\t5.1.3对象模式和原生模式85



\t5.1.4Numba和NumPy88



\t5.1.5JIT类91



\t5.1.6Numba的局限性94



\t5.2PyPy项目95



\t5.2.1安装PyPy95



\t5.2.2在PyPy中运行粒子模拟器96



\t5.3其他有趣的项目97



\t5.4小结97



\t第6章实现并发性98



\t6.1异步编程98



\t6.1.1等待I/O99



\t6.1.2并发99



\t6.1.3回调函数101



\t6.1.4future104



\t6.1.5事件循环105



\t6.2asyncio框架108



\t6.2.1协程108



\t6.2.2将阻塞代码转换为非阻塞代码111



\t6.3响应式编程113



\t6.3.1被观察者113



\t6.3.2很有用的运算符115



\t6.3.3hot被观察者和cold被观察者118



\t6.3.4打造CPU监视器121



\t6.4小结123



\t第7章并行处理124



\t7.1并行编程简介124



\t7.2使用多个进程127



\t7.2.1Process和Pool类127



\t7.2.2接口Executor129



\t7.2.3使用蒙特卡洛方法计算pi的近似值130



\t7.2.4同步和锁132



\t7.3使用OpenMP编写并行的Cython代码134



\t7.4并行自动化136



\t7.4.1Theano初步137



\t7.4.2Tensorflow142



\t7.4.3在GPU中运行代码144



\t7.5小结146



\t第8章分布式处理148



\t8.1分布式计算简介148



\t8.2Dask151



\t8.2.1有向无环图151



\t8.2.2Dask数组152



\t8.2.3DaskBag和DataFrame154



\t8.2.4Daskdistributed158



\t8.3使用PySpark161



\t8.3.1搭建Spark和PySpark环境161



\t8.3.2Spark架构162



\t8.3.3弹性分布式数据集164



\t8.3.4SparkDataFrame168



\t8.4使用mpi4py执行科学计算169



\t8.5小结171



\t第9章高性能设计173



\t9.1选择合适的策略173



\t9.1.1普通应用程序174



\t9.1.2数值计算代码174



\t9.1.3大数据176



\t9.2组织代码176



\t9.3隔离、虚拟环境和容器178



\t9.3.1使用conda环境178



\t9.3.2虚拟化和容器179



\t9.4持续集成183



\t9.5小结184