在this post中，Guido van Rossum说功能调用可能很昂贵，但我不明白为什么也不贵。
为您的代码添加多少延迟简单的函数调用以及为什么？
答案 0 :(得分：19)
函数调用要求暂停当前执行帧，并在堆栈上创建并推送新帧。与许多其他操作相比，这相对昂贵。
您可以使用timeit模块测量所需的确切时间：
>>> import timeit
>>> def f(): pass
...
>>> timeit.timeit(f)
0.15175890922546387
对于一百万次呼叫空功能而言，这是1/6秒你需要将所需的时间与你想要放入函数的任何东西进行比较;如果表现是一个问题，则需要考虑0.15秒。
答案 1 :(得分：6)
任何形式的声明＆＃34; X都很昂贵＆＃34;没有考虑到性能总是与其他正在发生的事情相关，相对于其他任务而言，任务都可以完成。
有很多关于SO的问题表达了对可能存在但通常不存在性能问题的担忧。
至于功能调用是否昂贵，这是一个由两部分组成的答案。
对于功能很少但不调用其他子功能的功能，并且在特定应用程序中的功能占总壁钟时间的10％以上，值得尝试内联它们或以其他方式降低调用成本。
在包含复杂数据结构和/或高抽象层次结构的应用程序中，函数调用很昂贵，不是因为它们花费的时间，而是因为它们诱使您制作更多的函数而不是严格必要的函数。当这种情况发生在多个抽象层次上时，效率低下就会成倍增加，产生一种不易局部化的复合减速。
生成高效代码的方法是 a posteriori ，而不是先验。 首先编写代码，使其干净且可维护，包括您喜欢的函数调用。 然后，当它以实际工作负载运行时，让它告诉您可以采取哪些措施来加快速度。 Here's an example.
答案 2 :(得分：3)
Python有"relatively high"个函数调用开销，这是我们为使用Python的一些最有用功能所付出的费用。
猴子补丁：
您拥有处理Python中的猴子补丁/覆盖行为的强大功能，以至于解释器无法保证给出的
a, b = X(1), X(2)
return a.fn() + b.fn() + a.fn()
a.fn（）和b.fn（）相同，或者在调用b.fn（）之后a.fn（）将相同。
In [1]: def f(a, b):
...: return a.fn() + b.fn() + c.fn()
...:
In [2]: dis.dis(f)
1 0 LOAD_FAST 0 (a)
3 LOAD_ATTR 0 (fn)
6 CALL_FUNCTION 0
9 LOAD_FAST 1 (b)
12 LOAD_ATTR 0 (fn)
15 CALL_FUNCTION 0
18 BINARY_ADD
19 LOAD_GLOBAL 1 (c)
22 LOAD_ATTR 0 (fn)
25 CALL_FUNCTION 0
28 BINARY_ADD
29 RETURN_VALUE
在上面，您可以看到在每个位置都在查找'fn'。变量也一样，但是人们似乎对此更加了解。
In [11]: def g(a):
...: return a.i + a.i + a.i
...:
In [12]: dis.dis(g)
2 0 LOAD_FAST 0 (a)
3 LOAD_ATTR 0 (i)
6 LOAD_FAST 0 (a)
9 LOAD_ATTR 0 (i)
12 BINARY_ADD
13 LOAD_FAST 0 (a)
16 LOAD_ATTR 0 (i)
19 BINARY_ADD
20 RETURN_VALUE
更糟糕的是，由于模块可以猴子修补/替换自身/彼此替换，因此，如果您调用的是全局/模块功能，则必须每次都查询全局/模块：
In [16]: def h():
...: v = numpy.vector(numpy.vector.identity)
...: for i in range(100):
...: v = numpy.vector.add(v, numpy.vector.identity)
...:
In [17]: dis.dis(h)
2 0 LOAD_GLOBAL 0 (numpy)
3 LOAD_ATTR 1 (vector)
6 LOAD_GLOBAL 0 (numpy)
9 LOAD_ATTR 1 (vector)
12 LOAD_ATTR 2 (identity)
15 CALL_FUNCTION 1
18 STORE_FAST 0 (v)
3 21 SETUP_LOOP 47 (to 71)
24 LOAD_GLOBAL 3 (range)
27 LOAD_CONST 1 (100)
30 CALL_FUNCTION 1
33 GET_ITER
>> 34 FOR_ITER 33 (to 70)
37 STORE_FAST 1 (i)
4 40 LOAD_GLOBAL 0 (numpy)
43 LOAD_ATTR 1 (vector)
46 LOAD_ATTR 4 (add)
49 LOAD_FAST 0 (v)
52 LOAD_GLOBAL 0 (numpy)
55 LOAD_ATTR 1 (vector)
58 LOAD_ATTR 2 (identity)
61 CALL_FUNCTION 2
64 STORE_FAST 0 (v)
67 JUMP_ABSOLUTE 34
>> 70 POP_BLOCK
>> 71 LOAD_CONST 0 (None)
74 RETURN_VALUE
WORKAROUND
考虑捕获或导入您不希望突变的任何值：
def f1(files):
for filename in files:
if os.path.exists(filename):
yield filename
# vs
def f2(files):
from os.path import exists
for filename in files:
if exists(filename):
yield filename
# or
def f3(files, exists=os.path.exists):
for filename in files:
if exists(filename):
yield filename
另请参阅“在野外”部分
虽然并不总是可以导入；例如，您可以导入sys.stdin但不能导入sys.stdin.readline，而numpy类型可能会遇到类似的问题：
In [15]: def h():
...: from numpy import vector
...: add = vector.add
...: idy = vector.identity
...: v = vector(idy)
...: for i in range(100):
...: v = add(v, idy)
...:
In [16]: dis.dis(h)
2 0 LOAD_CONST 1 (-1)
3 LOAD_CONST 2 (('vector',))
6 IMPORT_NAME 0 (numpy)
9 IMPORT_FROM 1 (vector)
12 STORE_FAST 0 (vector)
15 POP_TOP
3 16 LOAD_FAST 0 (vector)
19 LOAD_ATTR 2 (add)
22 STORE_FAST 1 (add)
4 25 LOAD_FAST 0 (vector)
28 LOAD_ATTR 3 (identity)
31 STORE_FAST 2 (idy)
5 34 LOAD_FAST 0 (vector)
37 LOAD_FAST 2 (idy)
40 CALL_FUNCTION 1
43 STORE_FAST 3 (v)
6 46 SETUP_LOOP 35 (to 84)
49 LOAD_GLOBAL 4 (range)
52 LOAD_CONST 3 (100)
55 CALL_FUNCTION 1
58 GET_ITER
>> 59 FOR_ITER 21 (to 83)
62 STORE_FAST 4 (i)
7 65 LOAD_FAST 1 (add)
68 LOAD_FAST 3 (v)
71 LOAD_FAST 2 (idy)
74 CALL_FUNCTION 2
77 STORE_FAST 3 (v)
80 JUMP_ABSOLUTE 59
>> 83 POP_BLOCK
>> 84 LOAD_CONST 0 (None)
87 RETURN_VALUE
凯夫特Emper： -捕获变量不是零成本的操作，它会增加帧大小， -仅在识别热代码路径后使用，
参数传递
Python的参数传递机制看似微不足道，但与大多数语言不同，它花费了很多 。我们正在谈论将参数分为args和kwargs：
f(1, 2, 3)
f(1, 2, c=3)
f(c=3)
f(1, 2) # c is auto-injected
CALL_FUNCTION操作中有很多工作要做，包括可能从C层到Python层再到Python层的一次过渡。
除此之外，经常需要查找参数以进行传递：
f(obj.x, obj.y, obj.z)
考虑：
In [28]: def fn(obj):
...: f = some.module.function
...: for x in range(1000):
...: for y in range(1000):
...: f(x + obj.x, y + obj.y, obj.z)
...:
In [29]: dis.dis(fn)
2 0 LOAD_GLOBAL 0 (some)
3 LOAD_ATTR 1 (module)
6 LOAD_ATTR 2 (function)
9 STORE_FAST 1 (f)
3 12 SETUP_LOOP 76 (to 91)
15 LOAD_GLOBAL 3 (range)
18 LOAD_CONST 1 (1000)
21 CALL_FUNCTION 1
24 GET_ITER
>> 25 FOR_ITER 62 (to 90)
28 STORE_FAST 2 (x)
4 31 SETUP_LOOP 53 (to 87)
34 LOAD_GLOBAL 3 (range)
37 LOAD_CONST 1 (1000)
40 CALL_FUNCTION 1
43 GET_ITER
>> 44 FOR_ITER 39 (to 86)
47 STORE_FAST 3 (y)
5 50 LOAD_FAST 1 (f)
53 LOAD_FAST 2 (x)
56 LOAD_FAST 0 (obj)
59 LOAD_ATTR 4 (x)
62 BINARY_ADD
63 LOAD_FAST 3 (y)
66 LOAD_FAST 0 (obj)
69 LOAD_ATTR 5 (y)
72 BINARY_ADD
73 LOAD_FAST 0 (obj)
76 LOAD_ATTR 6 (z)
79 CALL_FUNCTION 3
82 POP_TOP
83 JUMP_ABSOLUTE 44
>> 86 POP_BLOCK
>> 87 JUMP_ABSOLUTE 25
>> 90 POP_BLOCK
>> 91 LOAD_CONST 0 (None)
94 RETURN_VALUE
其中“ LOAD_GLOBAL”要求对名称进行哈希处理，然后在全局表中查询该哈希值。这是O（log N）操作。
但是请考虑一下：对于我们的两个简单的0-1000循环，我们做了一百万次...
LOAD_FAST和LOAD_ATTR也是哈希表查找，它们仅限于特定的哈希表。 LOAD_FAST查阅locals（）哈希表，LOAD_ATTR查阅最后加载的对象的哈希表...
但是还要注意，我们在那里调用一个函数一百万次。幸运的是，它是一个内置函数，内置函数的开销要小得多。但是，如果这确实是您的性能热点，则可能需要考虑通过执行以下操作来优化范围的开销：
x, y = 0, 0
for i in range(1000 * 1000):
....
y += 1
if y > 1000:
x, y = x + 1, 0
您可以对捕获变量进行一些修改，但是对代码的性能影响可能很小，并且使其维护性较差。
但是解决此问题的核心pythonic解决方案是使用生成器或可迭代项：
for i in obj.values():
prepare(i)
# vs
prepare(obj.values())
和
for i in ("left", "right", "up", "down"):
test_move(i)
# vs
test_move(("left", "right", "up", "down"))
和
for x in range(-1000, 1000):
for y in range(-1000, 1000):
fn(x + obj.x, y + obj.y, obj.z)
# vs
def coordinates(obj):
for x in range(obj.x - 1000, obj.x + 1000 + 1):
for y in range(obj.y - 1000, obj.y + 1000 + 1):
yield obj.x, obj.y, obj.z
fn(coordinates(obj))
在野外
您将以如下形式在野外看到这些假视：
def some_fn(a, b, c, stdin=sys.stdin):
...
这有几个优点：
大多数numpy调用采用或具有采用列表，数组等的变体，如果不使用它们，则可能会错过numpy的99％的收益。
def distances(target, candidates):
values = []
for candidate in candidates:
values.append(numpy.linalg.norm(candidate - target))
return numpy.array(values)
# vs
def distances(target, candidates):
return numpy.linalg.norm(candidates - target)
（注意：这不一定是获取距离的最佳方法，尤其是如果您不打算将距离值转发到其他地方；例如，如果您正在执行范围检查，使用更具选择性的方法可能更有效避免使用sqrt操作的方法）
优化可迭代对象不仅意味着传递它们，而且还返回它们
def f4(files, exists=os.path.exists):
return (filename for filename in files if exists(filename))
^- returns a generator expression