由于瓶颈，Python代码执行太慢寻求性能优化

Reducing the overhead of isinstance

一个问题是代码将9_500_000调用到isinstance.对于解释的代码来说，这是太多了.更不用说类型的内省从来都不是很快的.如果我们可以假设某些项目具有众所周知的类型并且不需要测试，那么代码就可以改进.

Numpy数组有一个解决方案，因为它们是类型化的，而不是CPython二元组和CPython列表.请注意，将(list, tuple, np.ndarray)存储在变量中可以使速度提高10%.以下是基于此的更快代码:

T1 = (list, tuple)
T2 = (np.ndarray,)

def transform_array(arr: list, r: list):
  for x in arr:
    if isinstance(x, T1):
        transform_array(x, r)
    elif isinstance(x, T2):
        if x.dtype == object:
            # Generic case
            transform_array(x, r)
        else:
            # No need to check all items: 
            # Push back all the items of the array in the list
            r.extend(x.tolist())
    else:
        r.append(x)
  return r

一旦完成优化，95%的时间都花在result = ...个列表理解上，甚至不是merge_arrays个呼叫上.其中50%的时间花在了np.append上.

减少Numpy通话的费用

列表理解中的麻木调用相当昂贵.这主要是因为Numpy的设计目的不是对非常小的数组执行操作，也不是手动提取许多纯量项.除此之外，np.append旨在将数组(而不是列表)附加到数组，因此它首先将列表转换为一个数组，该数组也相当昂贵(更不用说它需要判断其中所有项的类型).

我们可以通过手动操作来减少管理费用. 这是一个更快的实现:

#import numba as nb
#@nb.njit(['(int32[:], int32[:], int32[:], int64)', '(int64[:], int64[:], int64[:], int64)'])
def build_item(b_i, dist_i, ang_i, p):
    out = np.empty(b_i.size+1, dtype=b_i.dtype)
    out[:-2] = b_i[1:]
    out[-2] = dist_i[p]
    out[-1] = ang_i[p]
    return out

# [...]

result = [merge_arrays(y, [build_item(b[i], dist[i], ang[i], p) for p, i in enumerate(x)]) for x, y in pips]

第result = ...行在我的机器上需要1.66秒，而初始代码需要5.92秒.因此是3.6 times faster.