۱. استفاده بهینه از ساختارهای داده

گاهی انتخاب یک ساختار داده مناسب مثل set به‌جای list می‌تواند زمان جستجو را از O(n) به O(1) کاهش دهد.

# استفاده از set به‌جای list برای جستجو
my_set = set(data)
if item in my_set:
    ...

۲. استفاده از کتابخانه‌های سریع‌تر مثل NumPy

برای پردازش‌های عددی یا ماتریسی، به‌جای حلقه‌های معمول از NumPy استفاده کنید تا به صورت برداری محاسبات انجام شود.

import numpy as np

arr = np.array([1, 2, 3])
result = arr * 2  # faster than using for loop

۳. پروفایل‌گیری با cProfile

با cProfile می‌توانید ببینید کدام توابع بیشترین زمان را صرف می‌کنند و هدف بهینه‌سازی را دقیق تعیین کنید.

import cProfile

def my_function():
    ...

cProfile.run('my_function()')

۴. حذف کدهای تکراری و حلقه‌های تو در تو

تبدیل حلقه‌های تودرتو به توابع مستقل یا استفاده از list comprehension باعث افزایش خوانایی و سرعت می‌شود.

# روش قدیمی:
result = []
for i in range(100):
    result.append(i * 2)

# روش بهتر:
result = [i * 2 for i in range(100)]

۵. استفاده از caching با lru_cache

اگر تابعی بارها با ورودی مشابه فراخوانی می‌شود، با @lru_cache از نتایج قبلی استفاده کنید.

from functools import lru_cache

@lru_cache(maxsize=128)
def fib(n):
    if n < 2:
        return n
    return fib(n-1) + fib(n-2)

🎓 می‌خواهید برنامه‌نویس بهینه‌نویس شوید؟

در دوره جامع پایتون آموزشگاه البرز، با نکات پیشرفته توسعه نرم‌افزار، بهینه‌سازی کد و پروژه‌محور شدن آشنا می‌شوید. همین حالا در دوره ثبت‌نام کنید و مهارت‌های خود را حرفه‌ای‌تر کنید.

ثبت‌نام در دوره