我正在使用Python开发一个KNN分类器，但遇到了一些问题。以下代码段的执行时间在7.5秒到9.0秒之间，而我需要运行60,000次。
for fold in folds: for dot2 in fold: """ distances[x][0] = Class of the dot2 distances[x][1] = distance between dot1 and dot2 """ distances.append([dot2[0], calc_distance(dot1[1:], dot2[1:], method)])变量”folds”是一个包含10个折叠的列表，总共包含60,000个以.csv格式存储的图像输入。每个点的第一个值是它所属的类别。所有值都是整数。有没有办法让这行代码运行得更快？
这是calc_distance函数
def calc_distancia(dot1, dot2, distance):if distance == "manhanttan": total = 0 #for each coord, take the absolute difference for x in range(0, len(dot1)): total = total + abs(dot1[x] - dot2[x]) return totalelif distance == "euclidiana": total = 0 for x in range(0, len(dot1)): total = total + (dot1[x] - dot2[x])**2 return math.sqrt(total)elif distance == "supremum": total = 0 for x in range(0, len(dot1)): if abs(dot1[x] - dot2[x]) > total: total = abs(dot1[x] - dot2[x]) return totalelif distance == "cosseno": dist = 0 p1_p2_mul = 0 p1_sum = 0 p2_sum = 0 for x in range(0, len(dot1)): p1_p2_mul = p1_p2_mul + dot1[x]*dot2[x] p1_sum = p1_sum + dot1[x]**2 p2_sum = p2_sum + dot2[x]**2 p1_sum = math.sqrt(p1_sum) p2_sum = math.sqrt(p2_sum) quociente = p1_sum*p2_sum dist = p1_p2_mul/quociente return dist编辑：找到了至少对于”manhanttan”方法加速的方法。原来的代码是：
if distance == "manhanttan": total = 0 #for each coord, take the absolute difference for x in range(0, len(dot1)): total = total + abs(dot1[x] - dot2[x]) return total我改成了
if distance == "manhanttan": totalp1 = 0 totalp2 = 0 #for each coord, take the absolute difference for x in range(0, len(dot1)): totalp1 += dot1[x] totalp2 += dot2[x] return abs(totalp1-totalp2)abs()调用非常耗时
回答：
有许多关于“Python性能分析”的指南；你应该搜索一些，阅读它们，并逐步进行性能分析过程，以确保你知道工作中哪些部分耗时最多。
但如果这是你工作的核心，那么可以合理地推测calc_distance是消耗大部分运行时间的地方。
要深入优化它，可能需要使用NumPy加速的数学运算或类似的、更低级的方法。
作为一种快速且不那么侵入性的性能分析和重写方法，可以尝试安装PyPy版本的Python，并在其上运行。我看到过与标准（CPython）实现相比，容易获得2倍或更多的加速效果。
