Python 这段代码性能差，如何使它更好？

我正在尝试为一个学校项目建立一个推荐算法。在某种程度上，我有这个函数，它对性能至关重要。它返回与用户具有最高相似性的5个项目。我用了三种不同的方法

（1） ，我认为这是最“python”的方法，但却是最慢的方法，大约需要800毫秒才能完成

（2） 虽然它增加了一个排序操作，但速度要快得多（600毫秒）

那么，我就做了，就像我在旧学校C++（3）中那样做，这是最快的，但不是很多（550MS）：

但这仍然比（3）慢一些（580ms）

• 是否值得在cython中编译（3）或

  useritem\u相似性
  ？它会产生更好的性能吗

---

我有一个建议，不能在评论的约束范围内制定
我认为你做得太过分了，你可以保持最好的5个结果，就像我构建的这个例子一样

In [1]: import bisect as bs

In [2]: from random import random, seed

In [3]: seed(8888)

In [4]: l = [random() for _ in range(100)]

In [5]: r = [0  for i in range(5)]

In [6]: for x in l:
   ...:     if x>r[0]:
   ...:         bs.insort(r, x)
   ...:         r.pop(0)
   ...:         

In [7]: print(r) ; print(sorted(l)[-5:])
[0.9734802621456982, 0.9764741228388244, 0.9806769811156987, 0.9820424903993659, 0.9884636482746705]
[0.9734802621456982, 0.9764741228388244, 0.9806769811156987, 0.9820424903993659, 0.9884636482746705]

In [8]: 

当然，您应该使这个简单的示例适应您更复杂的用例，但是避免移动大量数据（插入和/或排序）可能会有很大帮助
另一种可能性是
继续使用

heapq

模块提供的可能性

In [10]: from heapq import nlargest
In [11]: nlargest(5, l)
Out[11]: 
[0.9884636482746705,
 0.9820424903993659,
 0.9806769811156987,
 0.9764741228388244,
 0.9734802621456982]

（顺序颠倒了）
虽然

heapreplace

的计时略好于

的计时，但
nlargest
的计时速度明显更快

我不引用时间，因为您必须根据数据对不同的可能性进行基准测试，请记住，存储所有结果并最终排序的方法可能比上述方法更快，具体取决于您处理的数据量，正如我在一篇评论中提到的。
既然您已经有了几种算法可以执行您需要的功能，现在您可以对它们进行基准测试/计时，从而找到性能最好的算法

然后，您将分析获胜的代码，以找到其瓶颈所在

然后，您将使用我提到的技术/工具来消除这些瓶颈

我详细介绍了上面的每一项，包括在中检查了每一项的工具。
您能创建一个演示如何调用这些函数的工具吗？我已经使用Jupyter中的
%timeit
和同一个用户对它们进行了基准测试。这就是你要问的吗？无论如何，它们将在这个循环中被调用：
feature\u recommendations\u dict={user:get\u item\u similarfeaturesN（user）for user in target\u users\u list}
我们需要能够自己运行这个代码来提供帮助。向我们展示如何运行它，以及您输入的数据类型。一个完全独立的程序（完整）。这个问题比这个网站更适合。我希望这是你的意思。我做了一些测试，发现对于较长的序列，
insort（）
轻而易举地获胜，对于较短的序列，收集所有结果并最终对整个结果序列排序更快。-您最好根据您的应用程序域的数据大小特点，选择不同的算法（比如我的算法和您的算法2）。再见
In [1]: import bisect as bs

In [2]: from random import random, seed

In [3]: seed(8888)

In [4]: l = [random() for _ in range(100)]

In [5]: r = [0  for i in range(5)]

In [6]: for x in l:
   ...:     if x>r[0]:
   ...:         bs.insort(r, x)
   ...:         r.pop(0)
   ...:         

In [7]: print(r) ; print(sorted(l)[-5:])
[0.9734802621456982, 0.9764741228388244, 0.9806769811156987, 0.9820424903993659, 0.9884636482746705]
[0.9734802621456982, 0.9764741228388244, 0.9806769811156987, 0.9820424903993659, 0.9884636482746705]

In [8]: 

In [1]: from random import random, seed
In [2]: from heapq import heappushpop, heapreplace
In [3]: seed(8888)
In [4]: l = [random() for _ in range(100)]
In [5]: r = [0  for i in range(5)]
In [6]: for x in l:
   ...:     if x>r[0]: heapreplace(r, x)
In [7]: r
Out[7]: 
[0.9734802621456982,
 0.9764741228388244,
 0.9806769811156987,
 0.9820424903993659,
 0.9884636482746705]
In [8]: 

In [10]: from heapq import nlargest
In [11]: nlargest(5, l)
Out[11]: 
[0.9884636482746705,
 0.9820424903993659,
 0.9806769811156987,
 0.9764741228388244,
 0.9734802621456982]