为什么Python代码在函数中运行得更快？

def main():
    for i in xrange(10**8):
        pass
main()

Python中的这段代码在其中运行（注意：计时是通过Linux中的BASH中的time函数完成的。）

real    0m1.841s
user    0m1.828s
sys     0m0.012s

但是，如果for循环未放在函数中，

for i in xrange(10**8):
    pass

那么它会运行更长的时间：

real    0m4.543s
user    0m4.524s
sys     0m0.012s

为什么是这样？

您可能会问为什么存储局部变量比全局变量更快。这是CPython实现的细节。

请记住，CPython被编译为字节码，解释器将运行该字节码。编译函数时，局部变量存储在固定大小的数组（不是 a dict）中，并且变量名称分配给索引。这是可能的，因为您不能将局部变量动态添加到函数中。然后检索一个本地变量实际上是对列表的指针查找，而对refcount的引用PyObject则是微不足道的。

将此与全局查找（LOAD_GLOBAL）进行对比，它是dict涉及哈希等的真实搜索。顺便说一句，这就是为什么需要指定global i是否要使其成为全局变量的原因：如果曾经在作用域内分配变量，则编译器将发出STORE_FASTs的访问权限，除非您告知不要这样做。

顺便说一句，全局查找仍然非常优化。属性查找foo.bar是真的慢的！

这是关于局部变量效率的小插图。

在函数内部，字节码为：

  2           0 SETUP_LOOP              20 (to 23)
              3 LOAD_GLOBAL              0 (xrange)
              6 LOAD_CONST               3 (100000000)
              9 CALL_FUNCTION            1
             12 GET_ITER            
        >>   13 FOR_ITER                 6 (to 22)
             16 STORE_FAST               0 (i)

  3          19 JUMP_ABSOLUTE           13
        >>   22 POP_BLOCK           
        >>   23 LOAD_CONST               0 (None)
             26 RETURN_VALUE        

在顶层，字节码为：

  1           0 SETUP_LOOP              20 (to 23)
              3 LOAD_NAME                0 (xrange)
              6 LOAD_CONST               3 (100000000)
              9 CALL_FUNCTION            1
             12 GET_ITER            
        >>   13 FOR_ITER                 6 (to 22)
             16 STORE_NAME               1 (i)

  2          19 JUMP_ABSOLUTE           13
        >>   22 POP_BLOCK           
        >>   23 LOAD_CONST               2 (None)
             26 RETURN_VALUE        

区别在于STORE_FAST比（）快STORE_NAME。这是因为在函数中，i它是局部的，但在顶层是全局的。

要检查字节码，请使用dis模块。我可以直接反汇编该函数，但是要反汇编顶层代码，我必须使用compile内置函数。

除了局部/全局变量存储时间外，操作码预测还使函数运行更快。

正如其他答案所解释的，该函数STORE_FAST在循环中使用操作码。这是函数循环的字节码：

    >>   13 FOR_ITER                 6 (to 22)   # get next value from iterator
         16 STORE_FAST               0 (x)       # set local variable
         19 JUMP_ABSOLUTE           13           # back to FOR_ITER

通常，在运行程序时，Python会依次执行每个操作码，跟踪堆栈并在执行每个操作码后对堆栈帧执行其他检查。操作码预测意味着在某些情况下，Python能够直接跳转到下一个操作码，从而避免了其中的一些开销。

在这种情况下，每当Python看到FOR_ITER（循环的顶部）时，它将“预测” STORE_FAST它必须执行的下一个操作码。然后，Python窥视下一个操作码，如果预测正确，它将直接跳转到STORE_FAST。这具有将两个操作码压缩为单个操作码的效果。

另一方面，STORE_NAME操作码在全局级别的循环中使用。看到此操作码时，Python *不会*做出类似的预测。相反，它必须返回到评估循环的顶部，该循环对循环的执行速度有明显的影响。

为了提供有关此优化的更多技术细节，以下是该ceval.c文件（Python虚拟机的“引擎”）的引文：

一些操作码往往成对出现，因此可以在运行第一个代码时预测第二个代码。例如， GET_ITER通常紧随其后FOR_ITER。并且FOR_ITER通常后跟STORE_FAST或UNPACK_SEQUENCE。

验证预测需要对寄存器变量进行一个针对常数的高速测试。如果配对良好，则处理器自己的内部分支谓词成功的可能性很高，从而导致到下一个操作码的开销几乎为零。成功的预测可以节省通过评估循环的旅程，该评估循环包括其两个不可预测的分支，HAS_ARG测试和开关情况。结合处理器的内部分支预测，成功PREDICT的结果是使两个操作码像合并了主体的单个新操作码一样运行。

我们可以在FOR_ITER操作码的源代码中看到准确的预测STORE_FAST位置：

case FOR_ITER:                         // the FOR_ITER opcode case
    v = TOP();
    x = (*v->ob_type->tp_iternext)(v); // x is the next value from iterator
    if (x != NULL) {                     
        PUSH(x);                       // put x on top of the stack
        PREDICT(STORE_FAST);           // predict STORE_FAST will follow - success!
        PREDICT(UNPACK_SEQUENCE);      // this and everything below is skipped
        continue;
    }
    // error-checking and more code for when the iterator ends normally                                     

该PREDICT函数扩展为，if (*next_instr == op) goto PRED_##op即我们只是跳转到预测的操作码的开头。在这种情况下，我们跳到这里：

PREDICTED_WITH_ARG(STORE_FAST);
case STORE_FAST:
    v = POP();                     // pop x back off the stack
    SETLOCAL(oparg, v);            // set it as the new local variable
    goto fast_next_opcode;

现在设置了局部变量，下一个操作码可以执行了。Python继续执行迭代直到到达终点，每次都成功进行预测。

在Python的wiki页面有大约CPython中的虚拟机是如何工作的更多信息。