Деталі електронної книги

Python. Programuj szybko i wydajnie

Python. Programuj szybko i wydajnie

Micha Gorelick, Ian Ozsvald

Eлектронна книга

Wydajne aplikacje w języku Python!

Python to skryptowy język programowania istniejący na rynku od wielu lat — jego pierwsza wersja pojawiła się w 1991 roku. Przejrzystość kodu źródłowego była jednym z głównych celów Guida van Rossuma, twórcy tego języka. Dziś Python cieszy się dużą popularnością, co z jednej strony świadczy o jego przydatności, a z drugiej gwarantuje użytkownikom szerokie wsparcie społeczności programistów języka. Python jest elastyczny, dopuszcza różne style programowania, a dzięki temu znajduje zastosowanie w wielu miejscach świata IT.

Jeżeli chcesz w pełni wykorzystać możliwości Pythona i tworzyć wydajne rozwiązania, to koniecznie zaopatrz się w tę książkę! Dzięki niej dowiesz się, jak wykorzystać profilowanie do lokalizowania „wąskich gardeł”, oraz poznasz efektywne techniki wyszukiwania danych na listach, w słownikach i zbiorach. Ponadto zdobędziesz wiedzę na temat obliczeń macierzowych i wektorowych oraz zobaczysz, jak kompilacja do postaci kodu C wpływa na wydajność Twojego rozwiązania. Osobne rozdziały zostały poświęcone współbieżności oraz modułowi multiprocessing. Opanowanie tych zagadnień pozwoli Ci ogromnie przyspieszyć działanie Twojej aplikacji. Na sam koniec nauczysz się tworzyć klastry i kolejki zadań oraz optymalizować zużycie pamięci RAM. Rozdział dwunasty to gratka dla wszystkich — zawiera najlepsze porady specjalistów z branży! Książka ta jest obowiązkową lekturą dla wszystkich programistów chcących tworzyć wydajne rozwiązania w języku Python.
 
  • Poznaj lepiej narzędzia numpy i Cython, a także narzędzia profilujące
  • Dowiedz się, jak w języku Python dokonywana jest abstrakcja bazowej architektury komputera.
  • Użyj profilowania do znajdowania „wąskich gardeł” związanych z wykorzystaniem czasu procesora i pamięci.
  • Utwórz wydajne programy, wybierając odpowiednie struktury danych.
  • Przyspiesz obliczenia oparte na macierzach i wektorach.
  • Zastosuj narzędzia do kompilacji kodu Python do postaci kodu maszynowego.
  • Zarządzaj jednocześnie wieloma operacjami obliczeniowymi i operacjami wejścia-wyjścia.
  • Przekształć kod przetwarzania współbieżnego w celu uruchomienia go w klastrze lokalnym lub zdalnym.
  • Rozwiąż duże problemy, używając mniej pamięci RAM.

Wyciśnij z Pythona siódme poty!

Przedmowa (9)

1. Wydajny kod Python (15)

  • Podstawowy system komputerowy (15)
    • Jednostki obliczeniowe (16)
    • Jednostki pamięci (19)
    • Warstwy komunikacji (21)
  • Łączenie ze sobą podstawowych elementów (22)
    • Porównanie wyidealizowanego przetwarzania z maszyną wirtualną języka Python (23)
  • Dlaczego warto używać języka Python? (26)

2. Użycie profilowania do znajdowania wąskich gardeł (29)

  • Efektywne profilowanie (30)
  • Wprowadzenie do zbioru Julii (31)
  • Obliczanie pełnego zbioru Julii (34)
  • Proste metody pomiaru czasu - instrukcja print i dekorator (37)
  • Prosty pomiar czasu za pomocą polecenia time systemu Unix (40)
  • Użycie modułu cProfile (41)
  • Użycie narzędzia runsnake do wizualizacji danych wyjściowych modułu cProfile (46)
  • Użycie narzędzia line_profiler do pomiarów dotyczących kolejnych wierszy kodu (46)
  • Użycie narzędzia memory_profiler do diagnozowania wykorzystania pamięci (51)
  • Inspekcja obiektów w stercie za pomocą narzędzia heapy (56)
  • Użycie narzędzia dowser do generowania aktywnego wykresu dla zmiennych z utworzonymi instancjami (58)
  • Użycie modułu dis do sprawdzania kodu bajtowego narzędzia CPython (60)
    • Różne metody, różna złożoność (62)
  • Testowanie jednostkowe podczas optymalizacji w celu zachowania poprawności (64)
    • Dekorator @profile bez operacji (64)
  • Strategie udanego profilowania kodu (66)
  • Podsumowanie (67)

3. Listy i krotki (69)

  • Bardziej efektywne wyszukiwanie (71)
  • Porównanie list i krotek (73)
  • Listy jako tablice dynamiczne (74)
  • Krotki w roli tablic statycznych (77)
  • Podsumowanie (78)

4. Słowniki i zbiory (79)

  • Jak działają słowniki i zbiory? (82)
    • Wstawianie i pobieranie (82)
    • Usuwanie (85)
    • Zmiana wielkości (85)
    • Funkcje mieszania i entropia (86)
  • Słowniki i przestrzenie nazw (89)
  • Podsumowanie (92)

5. Iteratory i generatory (93)

  • Iteratory dla szeregów nieskończonych (96)
  • Wartościowanie leniwe generatora (97)
  • Podsumowanie (101)

6. Obliczenia macierzowe i wektorowe (103)

  • Wprowadzenie do problemu (104)
  • Czy listy języka Python są wystarczająco dobre? (107)
    • Problemy z przesadną alokacją (109)
  • Fragmentacja pamięci (111)
    • Narzędzie perf (113)
    • Podejmowanie decyzji z wykorzystaniem danych wyjściowych narzędzia perf (115)
    • Wprowadzenie do narzędzia numpy (116)
  • Zastosowanie narzędzia numpy w przypadku problemu dotyczącego dyfuzji (119)
    • Przydziały pamięci i operacje wewnętrzne (121)
    • Optymalizacje selektywne: znajdowanie tego, co wymaga poprawienia (124)
  • Moduł numexpr: przyspieszanie i upraszczanie operacji wewnętrznych (127)
  • Przestroga: weryfikowanie "optymalizacji" (biblioteka scipy) (129)
  • Podsumowanie (131)

7. Kompilowanie do postaci kodu C (133)

  • Jakie wzrosty szybkości są możliwe? (134)
  • Porównanie kompilatorów JIT i AOT (136)
  • Dlaczego informacje o typie ułatwiają przyspieszenie działania kodu? (136)
  • Użycie kompilatora kodu C (137)
  • Analiza przykładu zbioru Julii (138)
  • Cython (139)
    • Kompilowanie czystego kodu Python za pomocą narzędzia Cython (139)
    • Użycie adnotacji kompilatora Cython do analizowania bloku kodu (141)
    • Dodawanie adnotacji typu (143)
  • Shed Skin (147)
    • Tworzenie modułu rozszerzenia (148)
    • Koszt związany z kopiami pamięci (150)
  • Cython i numpy (151)
    • Przetwarzanie równoległe rozwiązania na jednym komputerze z wykorzystaniem interfejsu OpenMP (152)
  • Numba (154)
  • Pythran (155)
  • PyPy (157)
    • Różnice związane z czyszczeniem pamięci (158)
    • Uruchamianie interpretera PyPy i instalowanie modułów (159)
  • Kiedy stosować poszczególne technologie? (160)
    • Inne przyszłe projekty (162)
    • Uwaga dotycząca układów GPU (162)
    • Oczekiwania dotyczące przyszłego projektu kompilatora (163)
  • Interfejsy funkcji zewnętrznych (163)
    • ctypes (164)
    • cffi (166)
    • f2py (169)
    • Moduł narzędzia CPython (171)
  • Podsumowanie (174)

8. Współbieżność (175)

  • Wprowadzenie do programowania asynchronicznego (176)
  • Przeszukiwacz szeregowy (179)
  • gevent (181)
  • tornado (185)
  • AsyncIO (188)
  • Przykład z bazą danych (190)
  • Podsumowanie (193)

9. Moduł multiprocessing (195)

  • Moduł multiprocessing (198)
  • Przybliżenie liczby pi przy użyciu metody Monte Carlo (200)
  • Przybliżanie liczby pi za pomocą procesów i wątków (201)
    • Zastosowanie obiektów języka Python (201)
    • Liczby losowe w systemach przetwarzania równoległego (208)
    • Zastosowanie narzędzia numpy (209)
  • Znajdowanie liczb pierwszych (211)
    • Kolejki zadań roboczych (217)
  • Weryfikowanie liczb pierwszych za pomocą komunikacji międzyprocesowej (221)
    • Rozwiązanie z przetwarzaniem szeregowym (225)
    • Rozwiązanie z prostym obiektem Pool (225)
    • Rozwiązanie z bardzo prostym obiektem Pool dla mniejszych liczb (227)
    • Użycie obiektu Manager.Value jako flagi (228)
    • Użycie systemu Redis jako flagi (229)
    • Użycie obiektu RawValue jako flagi (232)
    • Użycie modułu mmap jako flagi (232)
    • Użycie modułu mmap do odtworzenia flagi (233)
  • Współużytkowanie danych narzędzia numpy za pomocą modułu multiprocessing (236)
  • Synchronizowanie dostępu do zmiennych i plików (242)
    • Blokowanie plików (242)
    • Blokowanie obiektu Value (245)
  • Podsumowanie (248)

10. Klastry i kolejki zadań (249)

  • Zalety klastrowania (250)
  • Wady klastrowania (251)
    • Strata o wartości 462 milionów dolarów na giełdzie Wall Street z powodu kiepskiej strategii aktualizacji klastra (252)
    • 24-godzinny przestój usługi Skype w skali globalnej (253)
  • Typowe projekty klastrowe (254)
  • Metoda rozpoczęcia tworzenia rozwiązania klastrowego (254)
  • Sposoby na uniknięcie kłopotów podczas korzystania z klastrów (255)
  • Trzy rozwiązania klastrowe (257)
    • Użycie modułu Parallel Python dla prostych klastrów lokalnych (257)
    • Użycie modułu IPython Parallel do obsługi badań (259)
  • Użycie systemu NSQ dla niezawodnych klastrów produkcyjnych (262)
    • Kolejki (263)
    • Publikator/subskrybent (264)
    • Rozproszone obliczenia liczb pierwszych (266)
  • Inne warte uwagi narzędzia klastrowania (268)
  • Podsumowanie (269)

11. Mniejsze wykorzystanie pamięci RAM (271)

  • Obiekty typów podstawowych są kosztowne (272)
    • Moduł array zużywa mniej pamięci do przechowywania wielu obiektów typu podstawowego (273)
  • Analiza wykorzystania pamięci RAM w kolekcji (276)
  • Bajty i obiekty Unicode (277)
  • Efektywne przechowywanie zbiorów tekstowych w pamięci RAM (279)
    • Zastosowanie metod dla 8 milionów tokenów (280)
  • Wskazówki dotyczące mniejszego wykorzystania pamięci RAM (288)
  • Probabilistyczne struktury danych (289)
    • Obliczenia o bardzo dużym stopniu przybliżenia z wykorzystaniem jednobajtowego licznika Morrisa (290)
    • Wartości k-minimum (291)
    • Filtry Blooma (295)
    • Licznik LogLog (299)
    • Praktyczny przykład (303)

12. Rady specjalistów z branży (307)

  • Narzędzie Social Media Analytics (SoMA) firmy Adaptive Lab (307)
    • Język Python w firmie Adaptive Lab (308)
    • Projekt narzędzia SoMA (308)
    • Zastosowana metodologia projektowa (309)
    • Serwisowanie systemu SoMA (309)
    • Rada dla inżynierów z branży (310)
  • Technika głębokiego uczenia prezentowana przez firmę RadimRehurek.com (310)
    • Strzał w dziesiątkę (311)
    • Rady dotyczące optymalizacji (313)
    • Podsumowanie (315)
  • Uczenie maszynowe o dużej skali gotowe do zastosowań produkcyjnych w firmie Lyst.com (315)
    • Rola języka Python w witrynie Lyst (316)
    • Projekt klastra (316)
    • Ewolucja kodu w szybko rozwijającej się nowej firmie (316)
    • Budowanie mechanizmu rekomendacji (316)
    • Raportowanie i monitorowanie (317)
    • Rada (317)
  • Analiza serwisu społecznościowego o dużej skali w firmie Smesh (318)
    • Rola języka Python w firmie Smesh (318)
    • Platforma (318)
    • Dopasowywanie łańcuchów w czasie rzeczywistym z dużą wydajnością (319)
    • Raportowanie, monitorowanie, debugowanie i wdrażanie (320)
  • Interpreter PyPy zapewniający powodzenie systemów przetwarzania danych i systemów internetowych (322)
    • Wymagania wstępne (322)
    • Baza danych (323)
    • Aplikacja internetowa (323)
    • Mechanizm OCR i tłumaczenie (324)
    • Dystrybucja zadań i procesy robocze (324)
    • Podsumowanie (325)
  • Kolejki zadań w serwisie internetowym Lanyrd.com (325)
    • Rola języka Python w serwisie Lanyrd (325)
    • Zapewnianie odpowiedniej wydajności kolejki zadań (326)
    • Raportowanie, monitorowanie, debugowanie i wdrażanie (326)
    • Rada dla programistów z branży (326)

Skorowidz (329)

  • Назва: Python. Programuj szybko i wydajnie
  • Автор: Micha Gorelick, Ian Ozsvald
  • Оригінальна назва: High Performance Python: Practical Performant Programming for Humans
  • Переклад: Piotr Pilch
  • ISBN: 978-83-283-0469-7, 9788328304697
  • Дата видання: 2015-05-08
  • Формат: Eлектронна книга
  • Ідентифікатор видання: pytpsw
  • Видавець: Helion