book

Python de alto desempenho, 3.ª edição

Name: Python de alto desempenho, 3.ª edição
ISBN: 9798341652033

by Micha Gorelick, Ian Ozsvald

May 2025

Intermediate to advanced

524 pages

15h 49m

Portuguese (Portugal, Brazil)

O'Reilly Media, Inc.

Read now

Unlock full access

Prefácio
Prefácio
A quem se destina este livroPara quem este livro não éO que vais aprenderPython 3LicençaComo fazer uma atribuiçãoUtilizar exemplos de códigoErrata e feedbackConvenções utilizadas neste livroAprendizagem em linha da O'ReillyComo contactar-nosAgradecimentos
1. Entendendo o Performant Python
O sistema informático fundamentalUnidades de computaçãoUnidades de memóriaCamadas de comunicaçãoComputação Idealizada Versus a Máquina Virtual PythonComputação idealizadaA Máquina Virtual do PythonEntão, porquê usar Python?Como ser um programador de alto desempenhoBoas práticas de trabalhoOtimizar para a equipa e não para o bloco de códigoO programador de desempenho remotoAlgumas reflexões sobre a boa prática dos blocos de notasO teu trabalhoO futuro do PythonPara onde foi o GIL?O Python tem um JIT?Resumo
2. Perfilagem para encontrar estrangulamentos
Criação de perfis de forma eficienteApresentando o Conjunto de JuliaCálculo do conjunto completo de JuliaAbordagens simples para a impressão temporal e um decoradorCronometragem simples usando o comando Unix timeUtilizar o módulo cProfileVisualizando a saída do cProfile com o SnakeVizUsando line_profiler para medições linha a linhaUsando memory_profiler para diagnosticar o uso de memóriaCombinando a criação de perfis de CPU e memória com ScaleneIntrospeção de um processo existente com o PySpyVizTracer para uma pilha de chamadas interactiva baseada no tempoBytecode: Sob o capôUsando o módulo dis para examinar o bytecode do CPythonAprofunda a especialização em Bytecode com o SpecialistDiferentes abordagens, diferentes complexidadesTeste de unidade durante a otimização para manter a correçãoNo-op @profile DecoratorEstratégias para criar um perfil bem sucedido do teu códigoResumo
3. Listas e tuplas
Uma pesquisa mais eficienteListas versus tuplasListas como matrizes dinâmicasTuplas como matrizes estáticasResumo
4. Dicionários e conjuntos
Como funcionam os dicionários e os conjuntos?Inserir e recuperarSupressãoRedimensionarFunções de hash e entropiaResumo
5. Iteradores e geradores
Iteradores para séries infinitasAvaliação do gerador preguiçosoResumo
6. Computação de matrizes e vectores
Introdução ao problemaAs listas Python não são suficientemente boas?Problemas com a atribuição de uma quantidade excessivaFragmentação da memóriaCompreender o desempenhoTomar decisões com o resultado do perfIntroduzir numpyAplicar o numpy ao problema de difusãoAtribuições de memória e operações no localOptimizações selectivas: Descobrir o que precisa de ser corrigidonumexpr: Tornando as operações no local mais rápidas e fáceisUnidades de processamento gráfico (GPUs)Gráficos dinâmicos: PyTorchVelocidade da GPU e precisão numéricaOperações específicas da GPUPerfilamento básico de GPUConsiderações sobre o desempenho das GPUsQuando utilizar GPUsConsiderações sobre o desempenho da Deep LearningUm conto de advertência: Verifica as "Optimizações" (scipy)Lições das optimizações de matrizesResumo
7. Pandas, Dask e Polares
PandasModelo interno do PandasSeta e NumPyAplicando uma função a muitas linhas de dadosNumba para compilar NumPy para PandasConstruir a partir de resultados parciais em vez de concatenarHá mais do que uma (e possivelmente uma mais rápida) forma de fazer um trabalhoConselhos para um desenvolvimento eficaz de PandasDask para estruturas de dados distribuídas e DataFramesDiagnósticoPandas paralelos com DaskAplica paralelamente com Swifter em DaskPolares para quadros de dados rápidosResumo
8. Compila para C
Que tipo de ganhos de velocidade são possíveis?Compiladores JIT versus AOTPorque é que a informação de tipo ajuda o código a correr mais depressa?Utilizar um compilador CRevisão do exemplo do conjunto de JuliaCythonCompila uma versão em Python puro usando CythonpyximportAnotações Cython para Analisar um Bloco de CódigoAdicionando algumas anotações de tipoCython e numpyParalelizando a solução com OpenMP em uma máquinaNumbaPyPyDiferenças na recolha de lixoExecutando o PyPy e instalando módulosUm resumo das melhorias de velocidadeQuando utilizar cada tecnologiaInterfaces de funções estrangeirastiposcffif2pyExtensões CPython: CExtensões CPython: RustResumo

9. E/S assíncrona
Introdução à programação assíncronaComo funciona o async/await?Rastreador da Web em sérieRastreador assíncrono da WebCarga de trabalho partilhada CPU-I/OCarga de trabalho da CPU de sérieCarga de trabalho da CPU em loteCarga de trabalho da CPU totalmente assíncronaResumo
10. O módulo de multiprocessamento
Uma visão geral do módulo de multiprocessamentoEstimativa de Pi utilizando o método de Monte CarloEstimativa de Pi usando processos e threadsUsar objectos PythonSubstituir o multiprocessamento pela JoblibNúmeros aleatórios em sistemas paralelosUtilizar o numpyEncontrar números primosFilas de trabalhoAdicionando trabalhos à fila de forma assíncronaVerificação de primes usando comunicação entre processosSolução em sérieSolução de Pool ingénuaUma solução menos ingénua para a piscinaUsando manager.Value como um sinalizadorUsando o Redis como um sinalizadorUtilizar RawValue como um sinalizadorUsando mmap como um sinalizadorUsando mmap como uma Flag ReduxPartilhar dados numpy com multiprocessamentoSincronização do acesso a ficheiros e variáveisBloqueio de ficheirosBloquear um valorResumo
11. Clusters e filas de espera de trabalhos
Vantagens do ClusteringDesvantagens do ClusteringPerda de 462 milhões de dólares em Wall Street devido a uma má estratégia de atualização de clustersA interrupção global de 24 horas do SkypeDesenhos comuns de clustersComo iniciar uma solução em clusterManeiras de evitar problemas ao usar clustersDuas soluções de clusteringUsa o IPython Parallel para apoiar a pesquisaIntermediação de mensagens para eficiência do clusterOutras ferramentas de clustering a considerarDockerDesempenho do DockerVantagens do DockerResumo
12. Usa menos RAM
Os objectos para primitivos são carosO módulo array armazena muitos objectos primitivos de forma barataUsando menos RAM no NumPy com NumExprCompreender a RAM utilizada numa coleçãoBytes Versus UnicodeArmazena de forma eficiente muitos textos na RAMExperimenta estas abordagens em 11 milhões de fichasModelar mais texto com o FeatureHasher do scikit-learnApresentando o DictVectorizer e o FeatureHasherComparação entre o DictVectorizer e o FeatureHasher num problema realMatrizes esparsas do SciPyDicas para utilizar menos RAMEstruturas de dados probabilísticasContagem muito aproximada com um contador Morris de 1 byteValores mínimos KFiltros BloomContador LogLogExemplo do mundo realResumo
13. Lições do terreno
Desenvolver um algoritmo de aprendizagem automática de alto desempenhoComputação de alto desempenho no jornalismoLições do domínio do resseguro cibernéticoPython em finanças quantitativasMantém a flexibilidade para atingir um elevado desempenhoSimplificar os pipelines de engenharia de recursos com o Feature-engine (2020)Equipas de ciência de dados com elevado desempenho (2020)Numba (2020)Otimizar Versus Pensar (2020)Faz voar a Deep Learning com RadimRehurek.com (2014)Análise de redes sociais em grande escala na Smesh (2014)
Índice
Sobre os autores

Overview

Este trabalho foi traduzido com recurso a IA. Agradecemos o teu feedback e comentários: translation-feedback@oreilly.com

O teu código Python pode funcionar bem, mas e se precisares que ele seja mais rápido? Este livro prático mostra como encontrar pontos que estão a atrasar o teu código e como acelerá-lo bastante em programas com muitos dados. Explicando a teoria por trás das escolhas de design, esta edição ampliada do High Performance Python ajuda programadores Python experientes a entender melhor como o Python funciona.

Como tirar partido das arquiteturas multicore ou da compilação? Ou construir um sistema que escala além dos limites da RAM ou com uma GPU? Os autores Micha Gorelick e Ian Ozsvald revelam soluções concretas para muitas questões e incluem histórias de batalhas de empresas que usam Python de alto desempenho para extração de dados GenAI, aprendizagem automática em produção e muito mais.

Entenda melhor o NumPy, o Cython e os profilers
Aprenda como o Python abstrai a arquitetura de computador subjacente
Use a criação de perfis para encontrar gargalos no tempo da CPU e no uso da memória
Escreva programas eficientes escolhendo estruturas de dados adequadas
Acelere cálculos matriciais e vetoriais
Processe DataFrames rapidamente com Pandas, Dask e Polars
Acelere as suas redes neurais e cálculos de GPU
Use ferramentas para compilar Python em código de máquina
Gerencie várias operações de E/S e computacionais simultaneamente
Converta código multiprocessamento para ser executado em clusters locais ou remotos

Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.

Read now

Unlock full access

More than 5,000 organizations count on O’Reilly

O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.

Julian F.

Head of Cybersecurity

I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.

Addison B.

Field Engineer

I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.

Amir M.

Data Platform Tech Lead

I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.

Mark W.

Embedded Software Engineer

Publisher Resources

ISBN: 9798341652033

Cloud Computing

Data Engineering

Data Science

AI & ML

Programming Languages

Software Architecture

IT/Ops

Security

Design

Business

Soft Skills