1.使用测量工具，量化性能才能改进性能，常用的[code]timeit[/code]和[code]memory_profiler[/code]，此外还有[code]profile[/code]、[code]cProfile[/code]、[code]hotshot[/code]等，[code]memory_profiler[/code]用了[code]psutil[/code]，所以不能跟踪[code]cpython[/code]的扩展； 2.用C来解决费时的处理，c是效率的代名词，也是python用来解决效率问题的主要途径，甚至有时候我都觉得python是c的完美搭档。常用的是[code]Cython[/code]，直接把py代码c化然后又能像使用py包一样使用，其次是[code]ctypes[/code]，效率最最高的存在，最后还有[code]CPython[/code]和[code]cffi[/code]都是屌屌的存在； 3.优化算法，所有语言通病，算法的提升我觉得是在所有提升之上的，但也是最难的，好在现在大部分常用的算法都已经封包，除非自己给自己挖坑，所以弄懂标准库里的数据结构和常用api是如何实现的很重要； 4.2里的实现有人做了更高效的包用以替换python中常见的一些实现，如果瓶颈在[code]stringio、pickle、profile[/code]这类上的可以考虑替换为c的版本； 5.数据结构尽量使用元组tuple，特别是数据量大的时候，实在不行list也可以，尽量不要用[code]class[/code]，如果一定要用可以加[code]slot[/code]，效率再不够就只能结合2来加速了； 6.延迟加载，[code]import[/code]不是一定要写在一页的开始，哪里都可以，越碎片越能把包的加载延迟甚至不被加载； 7.用[code]multiprocessing[/code]来实现多线程，可以跳出GIL的限制； 8.python处理循环很烂，解释性语言就这样，跟其它编译型语言比就是蜗牛，所以减少循环次数和嵌套次数能显著提升性能，当然了使用pypy就没有这个问题了； 9.使用加速器，很喜欢psyco的使用方式，如果用2.7-的版本那么不失为一个懒人的选择，现在已经不再维护，创始人去了pypy，pypy是用Python实现的python，底层转为平台依赖的c、.net、java的中间语言，方式非常聪明，大爱，但是缺点是库的支持还不完善，我的项目基本都能支持，解决几个小问题即可，如果性能瓶颈在循环和内存上可以试试，最大的好处是不需要更改一句代码和做另外的设置，没有任何侵入。 参考资料： Python 代码性能优化技巧： [url=https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/]https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/[/url] Python性能优化技巧： [url=http://kuanghy.github.io/2016/09/26/python-optimize]http://kuanghy.github.io/2016/09/26/python-optimize[/url]