Один из скрытых тормозов Python — частые вызовы маленьких функций внутри циклов. Каждый вызов вносит оверхед интерпретатора. Если функция простая, её можно «инлайнить» (встроить прямо в цикл), или использовать NumPy vectorization и Numba JIT, чтобы убрать лишние вызовы.
Например, вместо того чтобы вызывать функцию миллионы раз, можно скомпилировать её через
@njit из Numba — и Python-код превратится в машинный, работая в десятки раз быстрее. Это особенно эффективно для численных расчётов, работы с массивами и больших циклов. Хочешь больше таких фишек? Подписывайся на нас и каждый день получай свежие и нестандартные советы, которые реально прокачают твои навыки разработчика!
import numpy as np
from numba import njit
# Обычная Python-функция — будет работать медленно на больших данных
def transform(x):
return x * x + x % 7
# JIT-компиляция убирает интерпретационный оверхед
@njit
def fast_transform(arr):
res = np.empty_like(arr)
for i in range(arr.size):
res[i] = arr[i] * arr[i] + arr[i] % 7
return res
data = np.arange(10_000_000, dtype=np.int64)
# Медленный вариант: Python-функция внутри list comprehension
res1 = [transform(x) for x in data]
# Быстрый вариант: Numba скомпилировала цикл в машинный код
res2 = fast_transform(data)
print(res1[:5], res2[:5])