Richtlinien für die Optimierung

Python-Programme sind nicht grundsätzlich langsam. Im Gegenteil: für viele Anwendungsfälle ist die Ausführungsgeschwindigkeit vollkommen ausreichend. Die grundlegende Frage ist also, ob das Programm den Anwendungszweck erfüllt. Weiterhin muss klar sein, ob nicht andere Faktoren wie z.B. Datenbankzugriffe oder Netzwerkverbindungen entscheidend für die Geschwindigkeit sind.

Der Kurs vermittelt wichtige Richtline für die Optimierung.

Profiling

Mit Profiling kann man die Stellen in einem Programm finden, die die meiste Zeit in Anspruch nehmen.

Im Kurs werden die builtin-Module profile und timeit vorgestellt. Mit Beispielen wird gezeigt, wie diese Module eingesetzt werden können. Wir messen die CPU-Zeit und den Arbeitsspeicherverbrauch. Teilnehmer können gern ihre eigenen Programme im Kurs "profilen".

Algorithmen und Anti-Pattern

Typischerweise sind die größten Gewinne bei der Reduzierung der Laufzeit durch algorithmische Änderungen zu erreichen.

Es werden typische Algorithmen aufgezeigt, die in Python besonders schnell oder langsam sind. Die richtige Nutzung der Python-Datenstrukturen werden ebenso behandelt wie der Einsatz der funktionalen Merkmale von Python.

Geschwindigkeitsmessung

Es ist nicht einfach zu messen wie schnell ein Programm wirklich ist. Wir schauen uns Lösungen für dieses Problem in Python an. Für die folgenden Kursthemen wird ein rechenzeitintensives Beispiel genutzt.

Psyco

Psyco ist ein so genannter "just-in-time-complier" (JIT), der es ermöglicht Teile des eigentlichen Bytecodes in Maschinencode zu übersetzen und damit dessen Ausführungsgeschwindigkeit u.U. beträchtlich zu erhöhen.

Die unterschiedlichen Möglichkeiten der Nutzung von Psyco werden mit Beispielen erläutert. Teilnehmer werden ermutigt ihre eigenen Programme im Kurs mit Psyco zu beschleunigen.

Numerische Berechnungen mit numpy

Numerischen Berechnungen mit großen Listen sind in Python vergleichsweise langsam, da durch die dynamische Typisierung viel Performance verloren gehen kann. Mit numpy steht ein Modul für die effiziente Arbeit mit Arrays zur Verfügung. Die Funktionalität und Nutzungsweise ist an MATLAB angelehnt.

Die grundlegenden Möglichkeiten der Arbeiten mit numpy werden dargestellt.

Nutzung mehrerer CPUs mit pyprocessing/multiprocessing

Das Modul pyprocessing ist, umbenannt in multiprocessing, Teil der Standardbibliothek von 2.6. Es erlaubt die Rechenkapazitiät mehrerer CPUs zu nutzen. Wir sehen uns das Modul kurz an und wenden es auf unser Beispiel an.

Ausblick auf die Erweiterung von Python mit anderen Sprachen

Die Ausführungsgeschwindigkeit von Python-Programmen kann durch Erweiterungen in anderen Sprachen erhöht werden. Wenn das Modul Python-Erweiterungen in anderen Sprachen nicht mitgebucht wurde, wird ein kurzer Überblick über die grundsätzlichen Möglichkeiten der Erweiterung gegeben.