1.使用测量工具，量化性能才能改进性能，常用的
timeit
和
memory_profiler
，此外还有
profile
、
cProfile
、
hotshot
等，
memory_profiler
用了
psutil
，所以不能跟踪
cpython
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
Cython
，直接把py代码c化然后又能像使用py包一样使用，其次是
ctypes
，效率最最高的存在，最后还有
CPython
和
cffi
都是��诺拇嬖冢�
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
stringio、pickle、profile
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
class
，如果一定要用可以加
slot
，效率再不够就只能结合2来加速了；
6.延迟加载，
import
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
multiprocessing
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： https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/
Python性能优化技巧： http://kuanghy.github.io/2016/09/26/python-optimize
