第一章：Python性能优化基石

做量化交易这些年，我见过太多人把Python用成了“慢速语言”。其实不是Python慢，是你没选对工具。今天咱们就从数据结构选型开始，聊聊性能优化的那些坑。

1.1 数据结构选型：选对了，性能翻倍

我个人习惯，写任何代码前先想清楚数据长什么样。量化交易里，数据无非几种：时间序列、订单簿、持仓信息。每种数据都有最适合它的容器。

数据结构	适用场景	时间复杂度
列表(list)	有序数据，频繁追加	O(1)追加，O(n)查找
字典(dict)	键值对，快速查找	O(1)平均查找
集合(set)	去重、成员判断	O(1)平均查找
元组(tuple)	不可变数据，哈希键	O(1)索引

举个例子。我在项目中处理过百万级的订单数据，如果用列表存订单ID，每次查找都要遍历——那速度，简直让人崩溃。换成字典后，查找时间从秒级降到了毫秒级。

1.2 列表与字典的性能陷阱

列表和字典，看着简单，用起来全是坑。我踩过的坑，今天一次性说清楚。

列表的陷阱

列表的insert(0, item)操作，时间复杂度是O(n)。为什么？因为插入到头部，所有元素都得往后挪。我曾经在循环里这么干过，处理10万条数据，跑了整整两分钟。

# 错误示范
data = []
for i in range(100000):
    data.insert(0, i)  # O(n)操作，慢到怀疑人生

# 正确做法
data = []
for i in range(100000):
    data.append(i)  # O(1)操作
data.reverse()  # 最后反转一次，O(n)

字典的陷阱

字典的键必须是可哈希的。什么意思？就是键不能是列表、字典这种可变类型。我见过有人用列表当键，直接报TypeError。

还有个坑：字典的in操作是O(1)，但如果你用keys()方法，它会返回一个视图对象，性能没问题。但如果你用list(dict.keys())，那就变成O(n)了。

# 高效写法
if key in my_dict:  # O(1)
    value = my_dict[key]

# 低效写法
if key in list(my_dict.keys()):  # O(n)，多此一举
    value = my_dict[key]

1.3 内置函数与标准库：Python的隐藏武器

Python内置函数和标准库，说白了就是官方给你写好的高性能代码。你想想看，这些函数底层都是C语言实现的，比你手写的Python循环快一个数量级。

常用内置函数

• map()：批量处理，比列表推导式快
• filter()：条件过滤，避免手动循环
• zip()：并行迭代，代码更简洁
• sorted()：排序，底层是Timsort算法

# 用map替代循环
prices = [100.5, 101.2, 99.8]
# 低效
new_prices = []
for p in prices:
    new_prices.append(p * 1.01)

# 高效
new_prices = list(map(lambda x: x * 1.01, prices))

标准库的威力

我建议你多看看collections、itertools、functools这几个模块。它们能解决很多常见问题。

模块	常用工具	用途
collections	deque, Counter, defaultdict	队列、计数、默认字典
itertools	chain, groupby, product	迭代器操作、分组、笛卡尔积
functools	lru_cache, partial	缓存、偏函数

1.4 知识体系总览

下面这张图，是我整理的本章节知识体系。你可以把它当成一张地图，随时回来看看。

嗯，这张图把本章的核心内容都串起来了。你写代码时，可以对照着看看自己有没有走弯路。