为什么在函数中运行Python代码更快？

在Python开发中，函数被广泛使用。除了分解代码的原因外，使用函数的另一个优点是它们可以使代码更快。当相同的代码在函数中和直接在主体中运行时，通常会发现函数执行更快。但这是为什么呢？

代码重用

函数的一个基本方面是代码重用。将代码放入函数中，可以使它更容易地使用和维护，而且可以重复地使用该代码。换句话说，通过将相同的代码放在一个函数中，可以避免在主体代码中重复编写相同的代码。这添加了效率，因为您不必重复编写相同的代码，这将降低程序的执行速度。

让我们看看这个例子：

def add_numbers(x, y):
    return x + y

result = add_numbers(1, 2)

在这个例子中，add_numbers函数接收两个数字并将它们相加。函数返回结果。这个函数可以多次使用，而无需每次重复编写代码。

局部变量

函数可以使用局部变量，这些变量只在函数内部使用。对于Python解释器来说，读取和写入局部变量比全局变量更容易和更快，因为它们的作用域范围较小。

例如，下面是使用全局变量的程序：

 MAX_VALUE = 1000

 def func1():
     for i in range(MAX_VALUE):
         pass

 def func2():
     for i in range(MAX_VALUE):
         pass

 func1()
 func2()

而下面是使用局部变量的程序：

 def func1():
     MAX_VALUE = 1000
     for i in range(MAX_VALUE):
         pass

 def func2():
     MAX_VALUE = 1000
     for i in range(MAX_VALUE):
         pass

 func1()
 func2()

在这两个示例中，两个函数都是相同的，但是它们使用不同的方式来定义MAX_VALUE。在第一个示例中，MAX_VALUE定义为全局变量，并且可以在两个函数中使用。在第二个示例中，MAX_VALUE通过（而在局部函数中定义），虽然两个函数都可以使用MAX_VALUE，但变量实际上在两个函数中具有不同的生命周期。在这种情况下，每个函数都有一个自己的MAX_VALUE。变量作为局部变量使用，这并没有什么问题，并且代码的执行速度更快。

代码优化

函数的另一个优点是Python的代码优化。Python将函数代码解析为字节码 – 中间代码，可以在Python虚拟机中执行。Python可以自动优化这些字节码以提高性能。此外，Python解释器还采用其他方法来优化代码。下面是一个例子：

from datetime import datetime

def fibonacci(n):
    if n == 0 or n == 1:
        return n
    else:
        return fibonacci(n-1) + fibonacci(n-2)

start_time = datetime.now()
fibonacci(35)
end_time = datetime.now()
print('Duration: {}'.format(end_time - start_time))

在这个例子中，根据输入的计算斐波那契数列到第35项的值。这有点耗时，执行此函数需要几秒钟的时间。但是如果再次运行函数，计算会更快，因为Python解释器已经优化了第一次执行的字节码。在计算斐波那契数列中，递归函数已经被Python解释器优化，即使递归调用会导致相对较慢的程序速度，但它仍然会表现出良好的性能。

缓存

缓存是另一个原因，函数可以比直接在主体中运行Python代码更快。缓存是指函数结果的存储。一旦函数需要计算结果，结果将被缓存以供以后使用。如果相同的输入再次出现，则可从缓存中获取结果。缓存结果可极大地加速函数的执行，因为计算重复的计算是不必要的。

下面是一个简单的缓存实现：

def fibonacci(n, cache={}):
    if n in cache:
        return cache[n]
    if n == 0 or n == 1:
        return n
    else:
        result = fibonacci(n-1) + fibonacci(n-2)
        cache[n] = result
        return result

start_time = datetime.now()
fibonacci(35)
end_time = datetime.now()
print('Duration: {}'.format(end_time - start_time))

在这个示例中，cache参数是缓存结果的字典。结果被缓存并在n再次出现时重用。相同的输入输出对于Python解释器来说需要更少的时间和资源，因为存储和读取字典中的值比计算结果要快得多。缓存将计算结果的重复计算降至最低，从而加速了函数的执行速度。