Оптимизация в Python. Джейд Картер

для которых функция `predicate` возвращает `False`.

      – `itertools.groupby(iterable, key)`: Группирует элементы из итерируемого объекта на основе функции `key`.

      – `itertools.product(iterable1, iterable2, …)`: Возвращает декартово произведение нескольких итерируемых объектов.

      Давайте рассмотрим пример применения модуля `itertools` для оптимизации и измерения производительности кода. Предположим, у нас есть два больших списка, и мы хотим найти пересечение (общие элементы) между ними. Мы можем использовать модуль `itertools` для этой задачи:

      ```python

      import timeit

      import itertools

      # Создадим два больших списка

      list1 = list(range(100000))

      list2 = list(range(50000, 150000))

      # Измерим время выполнения операции поиска пересечения с использованием цикла

      def find_intersection_with_loop():

      intersection = []

      for item in list1:

      if item in list2:

      intersection.append(item)

      # Измерим время выполнения операции поиска пересечения с использованием itertools

      def find_intersection_with_itertools():

      intersection = list(itertools.filterfalse(lambda x: x not in list2, list1))

      # Измерим время выполнения для поиска с использованием цикла

      loop_time = timeit.timeit(find_intersection_with_loop, number=100)

      print(f"Поиск с использованием цикла занял {loop_time:.6f} секунд")

      # Измерим время выполнения для поиска с использованием itertools

      itertools_time = timeit.timeit(find_intersection_with_itertools, number=100)

      print(f"Поиск с использованием itertools занял {itertools_time:.6f} секунд")

      ```

      Этот код измеряет время выполнения операции поиска пересечения между двумя списками с использованием цикла и с использованием `itertools`. Здесь мы используем функцию `itertools.filterfalse`, чтобы найти элементы, которые присутствуют в `list1`, но отсутствуют в `list2`. Мы выполняем каждую операцию поиска 100 раз и выводим результаты.

      Вы увидите, что операция поиска с использованием `itertools` обычно выполняется быстрее, чем операция с использованием цикла, что позволяет улучшить производительность кода при работе с большими данными.

      4. Модуль `functools`

      Модуль `functools` в Python предоставляет полезные функции для оптимизации работы с функциями. Одной из наиболее важных функций этого модуля является `lru_cache`, которая позволяет кешировать результаты функций. Это может существенно повысить производительность функций, вызываемых многократно с одними и теми же аргументами.

      Разберем пример использования `lru_cache` для оптимизации функции, вычисляющей факториал числа:

      ```python

      import functools

      # Декорируем функцию с lru_cache для кеширования результатов

      @functools.lru_cache(maxsize=None)

      def factorial(n):

      if n == 0:

      return 1

      else:

      return n factorial(n – 1)

      # Теперь функция будет кешировать результаты

      result1 = factorial(5) # Первый вызов, вычисляется и кешируется

      result2 = factorial(5) # Второй вызов, результат взят из кеша, не вычисляется снова

      print(result1) # Вывод: 120

      print(result2) # Вывод: 120

      ```

      В этом примере мы использовали `@functools.lru_cache(maxsize=None)` для декорирования функции `factorial`. Это означает, что при использовании результаты функции будут кешироваться бесконечно или, точнее, пока доступной памяти достаточно для хранения кеша. Когда функция вызывается с определенными аргументами, результат вычисления сохраняется в кеше. При последующих вызовах этой функции