Przejdź do głównej treści

Strona główna Python

Kurs

Wydajny kod w Pythonie

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 01.2026

Naucz się pisać wydajny kod, który działa szybko i sprawnie zarządza zasobami, by uniknąć zbędnego narzutu.

Zacznij kurs za darmo

PythonProgramming

4 godz.

15 filmów

52 Ćwiczenia

4,000 XP

150K+

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Jako Data Scientist większość czasu powinieneś poświęcać na wyciąganie wartościowych wniosków z danych – nie na czekanie, aż kod skończy działać. Pisanie wydajnego kodu w Pythonie pozwala skrócić czas wykonania i oszczędzić zasoby obliczeniowe, dzięki czemu możesz skupić się na tym, co w tej pracy najważniejsze. W tym kursie nauczysz się korzystać z wbudowanych struktur danych, funkcji i modułów Pythona, aby pisać czystszy, szybszy i bardziej efektywny kod. Poznasz sposoby mierzenia i profilowania kodu w celu wykrywania wąskich gardeł. Następnie przećwiczysz ich eliminację oraz poprawę innych nieefektywnych wzorców, korzystając ze standardowej biblioteki Pythona, NumPy i pandas. Po ukończeniu kursu będziesz mieć wszystkie narzędzia potrzebne do pisania wydajnego kodu w Pythonie!Filmy zawierają transkrypcje na żywo – możesz je wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu. Glosariusz kursu znajdziesz po prawej stronie, w sekcji zasobów. Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w kwalifikowanym teście. Do testu możesz przejść, klikając informację o punktach CPE po prawej stronie.

Wymagania wstępne

Data Types in Python Python Toolbox

1

Podstawy wydajności

W tym rozdziale dowiesz się, co oznacza pisanie wydajnego kodu w Pythonie. Poznasz standardową bibliotekę Pythona, nauczysz się korzystać z tablic NumPy i przećwiczysz używanie wybranych wbudowanych narzędzi. Ten rozdział stanowi fundament pod zagadnienia omawiane w dalszej części kursu.

Krótki quiz: czym jest efektywność

Przedsmak tego, co nadejdzie

Zen Pythona

Wbudowane narzędzia Pythona

Ćwiczenie z wbudowanych funkcji: range()

Wbudowane funkcje w praktyce: enumerate()

Wbudowane narzędzia w praktyce: map()

Potęga tablic NumPy

Ćwiczenia z tablicami NumPy

Łączymy wszystko razem: Festivus!

Zacznij rozdział

2

Mierzenie i profilowanie kodu

W tym rozdziale nauczysz się mierzyć i porównywać czasy wykonania różnych podejść do pisania kodu. Przećwiczysz korzystanie z pakietów line_profiler i memory_profiler do profilowania kodu i wykrywania wąskich gardeł. Następnie zastosujesz zdobytą wiedzę w praktyce, zastępując te wąskie gardła wydajnym kodem w Pythonie.

Analiza czasu wykonania

Używanie %timeit: twoja kolej!

Używanie %timeit: określanie liczby powtórzeń i pętli

Użycie %timeit: formalna nazwa czy składnia dosłowna

Profilowanie kodu pod kątem czasu wykonania

Krótki quiz: kroki do użycia %lprun

Używanie %lprun: wykrywanie wąskich gardeł

Użycie %lprun: eliminacja wąskiego gardła

Profilowanie kodu pod kątem zużycia pamięci

Szybki quiz: kroki niezbędne do użycia %mprun

Użycie %mprun: BMI superbohaterów

Używanie %mprun: BMI bohaterów 2.0

Wszystko razem: profilowanie na danych o superbohaterach

Zacznij rozdział

3

Zwiększanie wydajności

Ten rozdział poświęcony jest bardziej zaawansowanym technikom zwiększania wydajności. Poznasz kilka przydatnych wbudowanych modułów do pisania efektywnego kodu i przećwiczysz zastosowanie teorii zbiorów. Dowiesz się też, jakie wzorce pętli są dostępne w Pythonie i jak je usprawnić.

Efektywne łączenie, zliczanie i iterowanie

Łączenie nazw i typów Pokémonów

Zliczanie Pokémonów z próbki

Kombinacje Pokémonów

Teoria zbiorów

Porównywanie Pokédexów

Szukanie Pokémonów

Zbieranie unikalnych Pokémonów

Eliminowanie pętli

Zbieranie Pokémonów bez pętli

Sumy i średnie Pokémonów bez pętli

Pisanie wydajniejszych pętli

Obliczenie wykonywane jednorazowo

Całościowa konwersja w pętli

Łączymy wszystko razem: z-score Pokémonów

Zacznij rozdział

4

Podstawowe optymalizacje w pandas

Ten rozdział to zwięzłe wprowadzenie do wydajnej pracy z obiektami DataFrame w pandas. Poznasz różne sposoby iterowania po DataFrame, a następnie nauczysz się efektywnie stosować funkcje do danych w nim przechowywanych.

Wprowadzenie do iterowania po DataFrame w pandas

Iterowanie z użyciem .iterrows()

Różnice w punktach z użyciem .iterrows()

Kolejna metoda iteracji: .itertuples()

Iterowanie z .itertuples()

Różnice przebiegów z .itertuples()

Alternatywa dla pętli w pandas

Analiza statystyk baseballowych za pomocą .apply()

Rozstrzygnij spór za pomocą .apply()

Optymalna iteracja w pandas

Zastępowanie .iloc tablicami bazowymi

Łączymy wszystko razem: przewidywanie procentu zwycięstw

Gratulacje!

Zacznij rozdział

Wydajny kod w Pythonie

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Wydajny kod w Pythonie już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.