Python高性能（第2版） pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

本書是一本Python性能提升指南，展示瞭如何利用Python的原生庫以及豐富的第三方庫來構建健壯的應用程序。書中闡釋瞭如何利用各種剖析器來找齣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；介紹瞭如何有效地利用NumPy、Pandas和Cython高性能地執行數值計算；解釋瞭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；概述瞭並行編程的概念，並論述瞭如何利用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

加布麗埃勒•拉納諾（Gabriele Lanaro）

數據科學傢、軟件工程師，對機器學習、信息檢索、數值計算可視化、Web開發、計算機圖形學和係統管理有濃厚的興趣。開源軟件包chemlab和chemview的開發者。現就職於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找齣瓶頸　　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dis　　19
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　列錶和雙端隊列　　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memoization　　32
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
3.1　NumPy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最大限度地提高性能　　49
3.4　Pandas　　51
3.4.1　Pandas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
4.4.1　C語言數組和指針　　67
4.4.2　NumPy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Cython　　78
4.8　小結　　80
第5章　探索編譯器　　82
5.1　Numba　　82
5.1.1　Numba入門　　83
5.1.2　類型特殊化　　84
5.1.3　對象模式和原生模式　　85
5.1.4　Numba和NumPy　　88
5.1.5　JIT類　　91
5.1.6　Numba的局限性　　94
5.2　PyPy項目　　95
5.2.1　安裝PyPy　　95
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/O　　99
6.1.2　並發　　99
6.1.3　迴調函數　　101
6.1.4　future　　104
6.1.5　事件循環　　105
6.2　asyncio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
6.3.3　hot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
7.2.1　Process和Pool類　　127
7.2.2　接口Executor　　129
7.2.3　使用濛特卡洛方法計算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
7.4.1　Theano初步　　137
7.4.2　Tensorflow　　142
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
8.2　Dask　　151
8.2.1　有嚮無環圖　　151
8.2.2　Dask數組　　152
8.2.3　Dask Bag和DataFrame　　154
8.2.4　Dask distributed　　158
8.3　使用PySpark　　161
8.3.1　搭建Spark和PySpark環境　　161
8.3.2　Spark架構　　162
8.3.3　彈性分布式數據集　　164
8.3.4　Spark DataFrame　　168
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　選擇閤適的策略　　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
· · · · · · (收起)