Python是一種通用型編程語言，其語法清晰簡潔、標準庫強大，還有大量的第三方庫，因而近幾年人氣急劇上升，在很多領域都得到了廣泛應用。

本書是一本Python性能提升指南，展示了如何利用Python的原生庫以及豐富的第三方庫來構建健壯的應用程序。書中闡釋了如何利用各種剖析器來找出Python應用程序的性能瓶頸，並應用正確的算法和高效的數據結構來解決它們；介紹了如何有效地利用NumPy、Pandas和Cython高性能地執行數值計算；解釋了異步編程的相關概念，以及如何利用響應式編程實現響應式應用程序；概述了並行編程的概念，並論述了如何利用TensorFlow和Theano為並行架構編寫代碼，以及如何通過Dask和PySpark等技術在計算機集群上執行大規模計算。

通過學習本書，你將能夠實現高性能、可伸縮的Python應用程序。

- 利用NumPy和Pandas編寫高效的數值計算代碼
- 利用Cython和Numba實現近似本地的性能
- 利用剖析器發現Python應用程序的瓶頸
- 利用asyncio和RxPy編寫整潔的並發代碼
- 利用TensorFlow和Theano在Python中自動實現並行性
- 利用Dask和PySpark在計算機集群上運行分布式並行算法

本書主要介紹如何讓Python 程序發揮強大性能，內容涵蓋針對數值計算和科學代碼的優化，以及用於提高Web 服務和應用響應速度的策略。具體內容有：基準測試與剖析、純粹的Python 優化、基於NumPy和Pandas 的快速數組操作、使用Cython 獲得C 語言性能、編譯器探索、實現並發性、並行處理、分布式處理、高性能設計等。

加布麗埃勒·拉納諾（Gabriele Lanaro）

數據科學家、軟件工程師，對機器學習、信息檢索、數值計算可視化、Web開發、計算機圖形學和繫統管理有濃厚的興趣。開源軟件包chemlab和chemview的kai發者。現jiu職於Tableau軟件公司。

第 1 章 基準測試與剖析 1
1．1設計應用程序2
1．2編寫測試和基準測試程序7
1．3使用pytest-benchmark 編寫更佳的測試和基準測試程序10
1．4使用cProfile 找出瓶頸12
1．5使用line_profiler 逐行進行剖析16
1．6優化代碼17
1．7模塊dis19
1．8使用memory_profiler 剖析內存使用情況19
1．9小結21
第2 章 純粹的Python 優化22
2．1有用的算法和數據結構22
2．1．1列表和雙端隊列23
2．1．2字典25
2．1．3集28
2．1．4堆29
2．1．5字典樹30
2．2緩存和memoization32
2．3推導和生成器34
2．4小結36
第3章 使用NumPy 和Pandas 快速執行數組操作37
3．1NumPy 基礎37
3．1．1創建數組38
3．1．2訪問數組39
3．1．3廣播43
3．1．4數學運算45
3．1．5計算範數46
3．2使用NumPy 重寫粒子模擬器47
3．3使用numexpr zui大限度地提高性能49
3．4Pandas51
3．4．1Pandas 基礎51
3．4．2使用Pandas 執行數據庫式操作55
3．5小結59
第4章 使用Cython 獲得C 語言性能60
4．1編譯Cython 擴展60
4．2添加靜態類型62
4．2．1變量63
4．2．2函數64
4．2．3類65
4．3共享聲明66
4．4使用數組67
4．4．1C 語言數組和指針67
4．4．2NumPy 數組69
4．4．3類型化內存視圖70
4．5使用Cython 編寫粒子模擬器72
4．6剖析Cython 代碼75
4．7在Jupyter 中使用Cython78
4．8小結80
第5章 探索編譯器82
5．1Numba82
5．1．1Numba 入門83
5．1．2類型特殊化84
5．1．3對像模式和原生模式85
5．1．4Numba 和NumPy88
5．1．5JIT 類91
5．1．6Numba 的局限性94
5．2PyPy 項目95
5．2．1安裝PyPy95
5．2．2在PyPy 中運行粒子模擬器96
5．3其他有趣的項目97
5．4小結97
第6章 實現並發性98
6．1異步編程98
6．1．1等待I/O99
6．1．2並發99
6．1．3回調函數101
6．1．4future104
6．1．5事件循環105
6．2asyncio 框架108
6．2．1協程108
6．2．2將阻塞代碼轉換為非阻塞代碼111
6．3響應式編程113
6．3．1被觀察者113
6．3．2很有用的運算符115
6．3．3hot 被觀察者和cold 被觀察者118
6．3．4打造CPU 監視器121
6．4小結123
第7章 並行處理124
7．1並行編程簡介124
7．2使用多個進程127
7．2．1Process 和Pool 類127
7．2．2接口Executor129
7．2．3使用蒙特卡洛方法計算pi 的近似值130
7．2．4同步和鎖132
7．3使用OpenMP 編寫並行的Cython代碼134
7．4並行自動化136
7．4．1Theano 初步137
7．4．2Tensorflow142
7．4．3在GPU 中運行代碼144
7．5小結146
第8章 分布式處理148
8．1分布式計算簡介148
8．2Dask151
8．2．1有向無環圖151
8．2．2Dask 數組152
8．2．3Dask Bag 和DataFrame154
8．2．4Dask distributed158
8．3使用PySpark161
8．3．1搭建Spark 和PySpark 環境161
8．3．2Spark 架構162
8．3．3彈性分布式數據集164
8．3．4Spark DataFrame168
8．4使用mpi4py 執行科學計算169
8．5小結171
第9章 高性能設計173
9．1選擇合適的策略173
9．1．1普通應用程序174
9．1．2數值計算代碼174
9．1．3大數據176
9．2組織代碼176
9．3隔離、虛擬環境和容器178
9．3．1使用conda 環境178
9．3．2虛擬化和容器179
9．4持續集成183
9．5小結184