面试题：Python函数调用性能优化之复杂场景

算法和数据结构优化

减少循环嵌套：尽量将多层循环简化为单层循环或减少嵌套层数。例如，如果有一个双重循环用于遍历两个列表并匹配元素，可以使用zip函数将两个列表合并后遍历。
```
list1 = [1, 2, 3]
list2 = [4, 5, 6]
for a, b in zip(list1, list2):
    # 处理a和b
    pass
```
选择合适的数据结构：如果需要频繁查找元素，使用set或dict而不是list。例如，检查一个元素是否在列表中，使用set的in操作时间复杂度为O(1)，而list为O(n)。
```
my_set = {1, 2, 3}
if 2 in my_set:
    print('存在')
```

缓存优化

函数结果缓存：对于相同输入会产生相同输出的函数，使用functools.lru_cache进行缓存。假设函数expensive_function依赖数据库查询且输入相同时输出相同。
```
import functools

@functools.lru_cache(maxsize=128)
def expensive_function(input_param):
    # 数据库查询等操作
    return result
```

数据库查询优化

批量查询：避免多次执行相同的简单查询，将多个查询合并为一个批量查询。例如，使用IN语句一次性获取多个数据。假设使用sqlite3库。

import sqlite3

conn = sqlite3.connect('example.db')
cursor = conn.cursor()
values = [1, 2, 3]
placeholders = ', '.join('?' * len(values))
cursor.execute(f'SELECT * FROM your_table WHERE id IN ({placeholders})', values)
results = cursor.fetchall()

使用索引：在数据库表的常用查询字段上创建索引，以加快查询速度。例如，在CREATE TABLE语句中添加索引。
```
CREATE TABLE your_table (
    id INTEGER PRIMARY KEY,
    name TEXT,
    INDEX idx_name (name)
);
```

并行处理

多线程或多进程：如果函数中部分操作是I/O密集型（如数据库查询），可以使用多线程；如果是CPU密集型，使用多进程。例如，使用concurrent.futures模块进行多线程处理。

import concurrent.futures

def process_data(data):
    # 处理数据
    return result

data_list = [1, 2, 3, 4, 5]
with concurrent.futures.ThreadPoolExecutor() as executor:
    results = list(executor.map(process_data, data_list))

代码优化

减少条件判断嵌套：将复杂的条件判断逻辑进行简化和重构。例如，使用if - elif - else结构替代多层嵌套的if语句。
```
value = 2
if value == 1:
    result = 'one'
elif value == 2:
    result = 'two'
else:
    result = 'other'
```
避免不必要的计算：在条件判断中，先计算开销小的条件，避免不必要的复杂计算。
```
a = 10
b = 20
if a < 15 and b > 15:
    # 执行操作
    pass
```

星途面试题库

面试题：Python函数调用性能优化之复杂场景

知识考点

面试题答案

算法和数据结构优化

缓存优化

数据库查询优化

并行处理

代码优化