前言
第1章 理解高性能Python
1.1 基本的计算机系统
1.1.1 计算单元
1.1.2 存储单元
1.1.3 通信层
1.2 综合考虑
1.3 为何使用Python
1.4 如何成为高性能程序员
1.4.1 最佳实践
1.4.2 对Notebook最佳实践的思考
1.4.3 重新发现工作的乐趣
第2章 通过剖析找出瓶颈
2.1 高效地剖析
2.2 朱利亚集合简介
2.3 计算整个朱利亚集合
2.4 简单计时方法—print语句和装饰器
2.5 使用UNIX命令time的简单计时
2.6 使用模块cProfile
2.7 使用SnakeViz可视化cProfile的输出
2.8 使用line_profiler逐行剖析
2.9 使用memory_profiler诊断内存占用情况
2.10 使用PySpy查看既有进程
2.11 字节码：幕后发生的情况
2.11.1 使用模块dis查看CPython字节码
2.11.2 复杂度随方法而异
2.12 优化期间使用单元测试确保代码正确
2.13 确保代码剖析成功的策略
2.14 小结
第3章 列表和元组
3.1 更高效的查找方式
3.2 比较列表和元组
3.2.1 作为动态数组的列表
3.2.2 作为静态数组的元组
3.3 小结
第4章 字典和集合
4.1 字典和集合的工作原理
4.1.1 插入和检索
4.1.2 删除
4.1.3 调整长度
4.1.4 散列函数和熵
4.2 字典和名称空间
4.3 小结
第5章 迭代器和生成器
5.1 无穷数列迭代器
5.2 延迟执行生成器
5.3 小结
第6章 矩阵和向量计算
6.1 问题简介
6.2 Python列表不够好吗
6.3 内存碎片
6.3.1 理解perf
6.3.2 根据perf的输出做决策
6.3.3 进入numpy
6.4 使用numpy解决扩散问题
6.4.1 内存分配和就地操作
6.4.2 有选择地优化：找出需要修复的地方
6.5 numexpr：让你能够更快、更轻松地执行就地操作
6.6 警示故事：对优化进行验证（scipy）
6.7 从矩阵优化获得的经验教训
6.8 Pandas
6.8.1 Pandas的内部模型
6.8.2 将函数应用于多行数据
6.8.3 根据部分结果而不是使用拼接来创建DataFrame和Series
6.8.4 有多种解决问题的方式（而且可能有更快的方式）
6.8.5 Pandas高效开发建议
6.9 小结
第7章 编译成C代码
第8章 异步I/O
第9章 模块multiprocessing
第10章 集群和作业队列
第11章 减少内存占用量
第12章 实战经验教训
展开
