在this post，吉多·范罗苏姆说，一个函数调用可能是昂贵的，但我不明白为什么，也没有多少昂贵的都可以。
多少延迟添加到您的代码简单的函数调用，为什么？
函数调用要求当前帧执行被暂停，并创建一个新的帧和压入堆栈。这是相对昂贵的，相对于许多其他操作。
您可以测量与timeit模块所需的确切时间：
>>> import timeit
>>> def f(): pass
...
>>> timeit.timeit(f)
0.15175890922546387
这是第二个一百万的呼叫转移至空函数的1/6;你会比较无论你是想投入功能所需的时间; 0.15第二种则需要考虑到，如果性能是一个问题。
形式为“X为贵”的任何语句不考虑到性能总是相对于其他任何的事情，而相对于其他但是任务可以完成。
有上，这样表达的事情，可能是问题，但通常不是很多问题，性能问题。
至于函数调用是否是昂贵的，有一个一般的两部分答案。
以产生高效的代码的方法是后验，而不是先验。先写代码，所以它是清洁和维护，包括函数调用，只要你喜欢。然后，它与实际工作量运行时，让它告诉你什么可以做，以加快速度。 Here's an example.
Python有一个"relatively high"函数调用的开销，这是我们对一些Python的最有用的功能支付费用。
猴子修补：
你有这么大的权力，以猴补丁/忽略行为在Python的解释不能保证给
a, b = X(1), X(2)
return a.fn() + b.fn() + a.fn()
a.fn（）和b.fn（）是相同的，或者说a.fn（）将b.fn后相同的（）被调用。
In [1]: def f(a, b):
...: return a.fn() + b.fn() + c.fn()
...:
In [2]: dis.dis(f)
1 0 LOAD_FAST 0 (a)
3 LOAD_ATTR 0 (fn)
6 CALL_FUNCTION 0
9 LOAD_FAST 1 (b)
12 LOAD_ATTR 0 (fn)
15 CALL_FUNCTION 0
18 BINARY_ADD
19 LOAD_GLOBAL 1 (c)
22 LOAD_ATTR 0 (fn)
25 CALL_FUNCTION 0
28 BINARY_ADD
29 RETURN_VALUE
在上面，你可以看到，“FN”在每个位置查找。这同样适用于变量，但人们似乎更意识到这一点。
In [11]: def g(a):
...: return a.i + a.i + a.i
...:
In [12]: dis.dis(g)
2 0 LOAD_FAST 0 (a)
3 LOAD_ATTR 0 (i)
6 LOAD_FAST 0 (a)
9 LOAD_ATTR 0 (i)
12 BINARY_ADD
13 LOAD_FAST 0 (a)
16 LOAD_ATTR 0 (i)
19 BINARY_ADD
20 RETURN_VALUE
更糟的是，因为模块可以猴补丁/替换自己/对方，如果你调用一个全局/模块功能，全球/模块每次要查找：
In [16]: def h():
...: v = numpy.vector(numpy.vector.identity)
...: for i in range(100):
...: v = numpy.vector.add(v, numpy.vector.identity)
...:
In [17]: dis.dis(h)
2 0 LOAD_GLOBAL 0 (numpy)
3 LOAD_ATTR 1 (vector)
6 LOAD_GLOBAL 0 (numpy)
9 LOAD_ATTR 1 (vector)
12 LOAD_ATTR 2 (identity)
15 CALL_FUNCTION 1
18 STORE_FAST 0 (v)
3 21 SETUP_LOOP 47 (to 71)
24 LOAD_GLOBAL 3 (range)
27 LOAD_CONST 1 (100)
30 CALL_FUNCTION 1
33 GET_ITER
>> 34 FOR_ITER 33 (to 70)
37 STORE_FAST 1 (i)
4 40 LOAD_GLOBAL 0 (numpy)
43 LOAD_ATTR 1 (vector)
46 LOAD_ATTR 4 (add)
49 LOAD_FAST 0 (v)
52 LOAD_GLOBAL 0 (numpy)
55 LOAD_ATTR 1 (vector)
58 LOAD_ATTR 2 (identity)
61 CALL_FUNCTION 2
64 STORE_FAST 0 (v)
67 JUMP_ABSOLUTE 34
>> 70 POP_BLOCK
>> 71 LOAD_CONST 0 (None)
74 RETURN_VALUE
替代方法
考虑拍摄或导入你期望不发生变异的任何值：
def f1(files):
for filename in files:
if os.path.exists(filename):
yield filename
# vs
def f2(files):
from os.path import exists
for filename in files:
if exists(filename):
yield filename
# or
def f3(files, exists=os.path.exists):
for filename in files:
if exists(filename):
yield filename
又见“在野外”节
这并不总是可能的进口，虽然;例如，您可以导入sys.stdin，但你不能导入sys.stdin.readline和numpy的类型可以有类似的问题：
In [15]: def h():
...: from numpy import vector
...: add = vector.add
...: idy = vector.identity
...: v = vector(idy)
...: for i in range(100):
...: v = add(v, idy)
...:
In [16]: dis.dis(h)
2 0 LOAD_CONST 1 (-1)
3 LOAD_CONST 2 (('vector',))
6 IMPORT_NAME 0 (numpy)
9 IMPORT_FROM 1 (vector)
12 STORE_FAST 0 (vector)
15 POP_TOP
3 16 LOAD_FAST 0 (vector)
19 LOAD_ATTR 2 (add)
22 STORE_FAST 1 (add)
4 25 LOAD_FAST 0 (vector)
28 LOAD_ATTR 3 (identity)
31 STORE_FAST 2 (idy)
5 34 LOAD_FAST 0 (vector)
37 LOAD_FAST 2 (idy)
40 CALL_FUNCTION 1
43 STORE_FAST 3 (v)
6 46 SETUP_LOOP 35 (to 84)
49 LOAD_GLOBAL 4 (range)
52 LOAD_CONST 3 (100)
55 CALL_FUNCTION 1
58 GET_ITER
>> 59 FOR_ITER 21 (to 83)
62 STORE_FAST 4 (i)
7 65 LOAD_FAST 1 (add)
68 LOAD_FAST 3 (v)
71 LOAD_FAST 2 (idy)
74 CALL_FUNCTION 2
77 STORE_FAST 3 (v)
80 JUMP_ABSOLUTE 59
>> 83 POP_BLOCK
>> 84 LOAD_CONST 0 (None)
87 RETURN_VALUE
买者自负： - 捕获变量不是零成本操作，并且它增加了帧的大小， - 仅识别热代码路径后使用，
参数传递
Python的参数传递机制看起来微不足道，但不像大多数语言它花费了很多。我们谈论的是分离参数到指定参数和kwargs：
f(1, 2, 3)
f(1, 2, c=3)
f(c=3)
f(1, 2) # c is auto-injected
还有大量的工作是继续在CALL_FUNCTION操作，包括可能从C层到Python的层和后面一个转变。
除此之外，参数经常需要查找传递：
f(obj.x, obj.y, obj.z)
考虑：
In [28]: def fn(obj):
...: f = some.module.function
...: for x in range(1000):
...: for y in range(1000):
...: f(x + obj.x, y + obj.y, obj.z)
...:
In [29]: dis.dis(fn)
2 0 LOAD_GLOBAL 0 (some)
3 LOAD_ATTR 1 (module)
6 LOAD_ATTR 2 (function)
9 STORE_FAST 1 (f)
3 12 SETUP_LOOP 76 (to 91)
15 LOAD_GLOBAL 3 (range)
18 LOAD_CONST 1 (1000)
21 CALL_FUNCTION 1
24 GET_ITER
>> 25 FOR_ITER 62 (to 90)
28 STORE_FAST 2 (x)
4 31 SETUP_LOOP 53 (to 87)
34 LOAD_GLOBAL 3 (range)
37 LOAD_CONST 1 (1000)
40 CALL_FUNCTION 1
43 GET_ITER
>> 44 FOR_ITER 39 (to 86)
47 STORE_FAST 3 (y)
5 50 LOAD_FAST 1 (f)
53 LOAD_FAST 2 (x)
56 LOAD_FAST 0 (obj)
59 LOAD_ATTR 4 (x)
62 BINARY_ADD
63 LOAD_FAST 3 (y)
66 LOAD_FAST 0 (obj)
69 LOAD_ATTR 5 (y)
72 BINARY_ADD
73 LOAD_FAST 0 (obj)
76 LOAD_ATTR 6 (z)
79 CALL_FUNCTION 3
82 POP_TOP
83 JUMP_ABSOLUTE 44
>> 86 POP_BLOCK
>> 87 JUMP_ABSOLUTE 25
>> 90 POP_BLOCK
>> 91 LOAD_CONST 0 (None)
94 RETURN_VALUE
其中，“LOAD_GLOBAL”要求名字被散列，然后全局表中查询该散列值。这是一个为O（log N）操作。
不过想想这一点：我们两国，简单，0-1000循环，我们正在做的一百万次......
LOAD_FAST和LOAD_ATTR也是哈希表的查找，他们只是局限在特定的哈希表。 LOAD_FAST咨询当地人（）哈希表，LOAD_ATTR咨询最后加载对象的哈希表...
还要注意，我们调用一个函数有一百万次。幸运的是，这是一个内置的功能，并内建有一个更昂贵的开销;但如果这是真的你PERF热点，你可能要考虑做类似优化范围的开销：
x, y = 0, 0
for i in range(1000 * 1000):
....
y += 1
if y > 1000:
x, y = x + 1, 0
你可以做捕获变量的一些黑客攻击，但它可能对这个代码最小PERF影响，只是使其不太维护。
但核心Python的修复这个问题是使用发电机或iterables：
for i in obj.values():
prepare(i)
# vs
prepare(obj.values())
和
for i in ("left", "right", "up", "down"):
test_move(i)
# vs
test_move(("left", "right", "up", "down"))
和
for x in range(-1000, 1000):
for y in range(-1000, 1000):
fn(x + obj.x, y + obj.y, obj.z)
# vs
def coordinates(obj):
for x in range(obj.x - 1000, obj.x + 1000 + 1):
for y in range(obj.y - 1000, obj.y + 1000 + 1):
yield obj.x, obj.y, obj.z
fn(coordinates(obj))
在野外
你会看到在这样的形式野生这些pythopticisms：
def some_fn(a, b, c, stdin=sys.stdin):
...
这有几个优点：
大多数numpy的来电或者采取或有变，需要一个列表，阵列等，如果你不使用这些，你可能错过了的numpy的的好处99％。
def distances(target, candidates):
values = []
for candidate in candidates:
values.append(numpy.linalg.norm(candidate - target))
return numpy.array(values)
# vs
def distances(target, candidates):
return numpy.linalg.norm(candidates - target)
（注：这是不是一定要得到距离的最好方式，尤其如果你不打算在其他地方转发的距离值;例如，如果你正在做的范围检查，它可能是更有效的使用，避免了更选择性的方法使用SQRT操作）
优化iterables并不仅仅意味着将它们传递，而且他们回国
def f4(files, exists=os.path.exists):
return (filename for filename in files if exists(filename))
^- returns a generator expression