1.使用測量工具，量化性能才能改進性能，常用的 timeit 和 memory_profiler ，此外還有 profile 、 cProfile 、 hotshot 等， memory_profiler 用了 psutil ，所以不能跟蹤 cpython 的擴展；

2.用C來解決費時的處理，c是效率的代名詞，也是python用來解決效率問題的主要途徑，甚至有時候我都覺得python是c的完美搭檔。常用的是 Cython ，直接把py代碼c化然后又能像使用py包一樣使用，其次是 ctypes ，效率最最高的存在，最后還有 CPython 和 cffi 都是??諾拇嬖冢?

3.優化算法，所有語言通病，算法的提升我覺得是在所有提升之上的，但也是最難的，好在現在大部分常用的算法都已經封包，除非自己給自己挖坑，所以弄懂標準庫里的數據結構和常用api是如何實現的很重要；

4.2里的實現有人做了更高效的包用以替換python中常見的一些實現，如果瓶頸在 stringio、pickle、profile 這類上的可以考慮替換為c的版本；

5.數據結構盡量使用元組tuple，特別是數據量大的時候，實在不行list也可以，盡量不要用 class ，如果一定要用可以加 slot ，效率再不夠就只能結合2來加速了；

6.延遲加載， import 不是一定要寫在一頁的開始，哪里都可以，越碎片越能把包的加載延遲甚至不被加載；

7.用 multiprocessing 來實現多線程，可以跳出GIL的限制；

8.python處理循環很爛，解釋性語言就這樣，跟其它編譯型語言比就是蝸牛，所以減少循環次數和嵌套次數能顯著提升性能，當然了使用pypy就沒有這個問題了；

9.使用加速器，很喜歡psyco的使用方式，如果用2.7-的版本那么不失為一個懶人的選擇，現在已經不再維護，創始人去了pypy，pypy是用Python實現的python，底層轉為平臺依賴的c、.net、java的中間語言，方式非常聰明，大愛，但是缺點是庫的支持還不完善，我的項目基本都能支持，解決幾個小問題即可，如果性能瓶頸在循環和內存上可以試試，最大的好處是不需要更改一句代碼和做另外的設置，沒有任何侵入。

參考資料：

Python 代碼性能優化技巧： https://www.ibm.com/developerworks/cn/linux/l-cn-python-optim/

Python性能優化技巧： http://kuanghy.github.io/2016/09/26/python-optimize