python - 考虑到描述符，将函数放入本地 namespace 以加快访问速度

Question

我在类的强循环中使用numpy.random.normal函数。

class MyClass(MyBaseClass):   
    def run(self):
        while True:
            ...
            self.L.append(numpy.random.normal(0,1))

我知道在 Python 中使用多个查找非常慢。在 numpy.random.normal 中有 3 次查找:首先查找 numpy，然后是 random，然后是 normal.

所以我决定通过将 numpy.random.normal 分配给局部变量 _normal 来解决这个问题。

开始吧:

class MyClass(MyBaseClass):
    _normal = numpy.random.normal
    def run(self):
        while True:
            ...
            self.L.append(MyClass._normal(0,1))

我真正关心的是描述符。当访问类中的变量时，将查找所有基类以查找具有相同名称的数据描述符。它描述了here :

Check objectname.__class__.__dict__for attrname. If it exists and is a data-descriptor, return the descriptor result. Search all bases of objectname.__class__ for the same case.

所以，我想，如果我像上面那样将 _normal 放在本地空间中，它会查找数据描述符的所有基类。我担心它会成为经济放缓的根源。

我的担忧是否合理？

我是否应该担心在基类中查找描述符所花费的时间？

当在类中使用时，是否有更好的方法来加快访问位于模块深处的函数？

---

在评论中对答案进行了讨论。

我决定提供一些额外的实现细节，这些细节似乎很重要(对于我的特定案例)。

实际上，代码更接近于此(非常非常简化):

class MyClass(MyBaseClass):

    def __iter__(self):
        return self

    def next(self):
        self.L.append(numpy.random.normal(0,1))   

    def run(self):
        while True:
            self.next()

Answer 1

如果你必须做这样的事情(函数查找实际上是主要成本吗？随机数生成并不便宜)你应该意识到一个全局 + 一个属性查找(MyClass._normal)不是这比一个全局 + 三个 attr 查找便宜得多 (numpy.random.normal)。您真正想要的是在循环内获取零 全局或 attr 查找，这只能通过在函数内定义 _normal 来实现。如果你真的很想减少周期，你还应该预绑定(bind)列表追加调用:

class MyClass(MyBaseClass):
    def run(self):
        _normal = numpy.random.normal
        _Lappend = self.L.append
        while True:
            ...
            _Lappend(_normal(0,1))

对比反汇编输出(仅针对 append 语句):

  LOAD_FAST                0 (self)
  LOAD_ATTR                1 (L)
  LOAD_ATTR                2 (append)
  LOAD_GLOBAL              3 (numpy)
  LOAD_ATTR                4 (random)
  LOAD_ATTR                5 (normal)
  LOAD_CONST               1 (0)
  LOAD_CONST               2 (1)
  CALL_FUNCTION            2
  CALL_FUNCTION            1
  POP_TOP             

对比

  LOAD_FAST                2 (_Lappend)
  LOAD_FAST                1 (_normal)
  LOAD_CONST               1 (0)
  LOAD_CONST               2 (1)
  CALL_FUNCTION            2
  CALL_FUNCTION            1

更好的方法是矢量化——生成许多随机法线偏差并将它们一次性添加到列表中——你可以使用 numpy 的 size 参数来做到这一点.random.normal.