- promocja
Python. Programuj szybko i wydajnie - ebook
Python. Programuj szybko i wydajnie - ebook
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!
Spis treści
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)
Kategoria: | Programowanie |
Zabezpieczenie: |
Watermark
|
ISBN: | 978-83-283-0469-7 |
Rozmiar pliku: | 22 MB |