Выполнение встроенных определений функций Python

Question

Общий вопрос для тех, кто знает внутренние функции определения функций лучше, чем я.

В общем, есть динамика торговля от делать что-то вроде этого:

def my_function(): 
    def other_function(): 
     pass 

    # do some stuff 
    other_function() 

Versus:

def other_function(): 
    pass 

def my_function(): 
    # do some stuff 
    other_function() 

Я видел разработчиков встроенных функций перед держать небольшое, одноразовое использование функции, близкой к коду, который на самом деле его использует, но я всегда задавался вопросом, было ли ограничение производительности (или вычисления) памяти для выполнения чего-то подобного.

Мысли?

Answer 1

Разделение больших функций на более читаемые, более мелкие функции является частью написания кода Pythonic - должно быть очевидно, что вы пытаетесь выполнить, а более мелкие функции легче читать, проверять наличие ошибок, поддерживать и повторно использовать.

Как всегда, вопросы, «которые имеют лучшую производительность», всегда должны решаться profiling the code, то есть они часто зависят от подписи методов и того, что делает ваш код.

например. если вы передаете большой словарь в отдельную функцию вместо ссылки на локальный фрейм, вы получите разные характеристики производительности, чем вызов функции void от другого.

Например, вот некоторые тривиальное поведение:

import profile 
import dis 

def callee(): 
    for x in range(10000): 
     x += x 
    print("let's have some tea now") 

def caller(): 
    callee() 


profile.run('caller()') 

---

let's have some tea now 
     26 function calls in 0.002 seconds 

    Ordered by: standard name 

    ncalls tottime percall cumtime percall filename:lineno(function) 
     2 0.000 0.000 0.000 0.000 :0(decode) 
     2 0.000 0.000 0.000 0.000 :0(getpid) 
     2 0.000 0.000 0.000 0.000 :0(isinstance) 
     1 0.000 0.000 0.000 0.000 :0(range) 
     1 0.000 0.000 0.000 0.000 :0(setprofile) 
     2 0.000 0.000 0.000 0.000 :0(time) 
     2 0.000 0.000 0.000 0.000 :0(utf_8_decode) 
     2 0.000 0.000 0.000 0.000 :0(write) 
     1 0.002 0.002 0.002 0.002 <ipython-input-3-98c87a49b247>:4(callee) 
     1 0.000 0.000 0.002 0.002 <ipython-input-3-98c87a49b247>:9(caller) 
     1 0.000 0.000 0.002 0.002 <string>:1(<module>) 
     2 0.000 0.000 0.000 0.000 iostream.py:196(write) 
     2 0.000 0.000 0.000 0.000 iostream.py:86(_is_master_process) 
     2 0.000 0.000 0.000 0.000 iostream.py:95(_check_mp_mode) 
     1 0.000 0.000 0.002 0.002 profile:0(caller()) 
     0 0.000    0.000   profile:0(profiler) 
     2 0.000 0.000 0.000 0.000 utf_8.py:15(decode) 

против

import profile 
import dis 

def all_in_one(): 
    def passer(): 
     pass 
    passer() 
    for x in range(10000): 
     x += x 
    print("let's have some tea now")  

---

let's have some tea now 
     26 function calls in 0.002 seconds 

    Ordered by: standard name 

    ncalls tottime percall cumtime percall filename:lineno(function) 
     2 0.000 0.000 0.000 0.000 :0(decode) 
     2 0.000 0.000 0.000 0.000 :0(getpid) 
     2 0.000 0.000 0.000 0.000 :0(isinstance) 
     1 0.000 0.000 0.000 0.000 :0(range) 
     1 0.000 0.000 0.000 0.000 :0(setprofile) 
     2 0.000 0.000 0.000 0.000 :0(time) 
     2 0.000 0.000 0.000 0.000 :0(utf_8_decode) 
     2 0.000 0.000 0.000 0.000 :0(write) 
     1 0.002 0.002 0.002 0.002 <ipython-input-3-98c87a49b247>:4(callee) 
     1 0.000 0.000 0.002 0.002 <ipython-input-3-98c87a49b247>:9(caller) 
     1 0.000 0.000 0.002 0.002 <string>:1(<module>) 
     2 0.000 0.000 0.000 0.000 iostream.py:196(write) 
     2 0.000 0.000 0.000 0.000 iostream.py:86(_is_master_process) 
     2 0.000 0.000 0.000 0.000 iostream.py:95(_check_mp_mode) 
     1 0.000 0.000 0.002 0.002 profile:0(caller()) 
     0 0.000    0.000   profile:0(profiler) 
     2 0.000 0.000 0.000 0.000 utf_8.py:15(decode) 

Два используют один и тот же Numbe r вызовов функций, и нет разницы в производительности, что подтверждает мое утверждение о том, что действительно важно проверить в определенных обстоятельствах.

Вы можете видеть, что у меня есть неиспользованный импорт для модуля disassembly. Это еще один полезный модуль, который позволит вам увидеть, что делает ваш код (попробуйте dis.dis(my_function)).Я бы опубликовал профиль тестового кода, который я сгенерировал, но он только покажет вам больше деталей, которые не имеют отношения к решению проблемы или не узнают, что на самом деле происходит в вашем коде.

Answer 2

Использование timeit на мой макинтош, кажется, благоволит определения функции на уровне модуля (немного), и, очевидно, результаты могут варьироваться от одного компьютера к другому ...:

>>> import timeit 
>>> def fun1(): 
... def foo(): 
...  pass 
... foo() 
... 
>>> def bar(): 
... pass 
... 
>>> def fun2(): 
... bar() 
... 
>>> timeit.timeit('fun1()', 'from __main__ import fun1') 
0.2706329822540283 
>>> timeit.timeit('fun2()', 'from __main__ import fun2') 
0.23086285591125488 

Обратите внимание, что эта разница (~ 10%), так что это действительно не будет иметь большого значения во время выполнения вашей программы, если это не будет в очень плотном цикле.

Самая частая причина для определения функции внутри другой - это получить локальные переменные функции out в закрытии. Если вам не требуется закрытие, вы должны выбрать вариант, который проще всего прочитать. (Мои предпочтения почти всегда включают функцию на уровне модуля).