01

.gitignore

@@ -6,3 +6,4 @@ B 高性能模式/log
 B 高性能模式/test.py
 .vscode/launch.json
 .gitignore
+.vscode/extensions.json

.vscode/extensions.json

@@ -3,3 +3,4 @@
         "bierner.markdown-mermaid"
     ]
 }
+

C 高性能模式/case_股票分析.md

@@ -0,0 +1,48 @@
+
+# 案例研究：股票价格分析
+
+## 案例背景
+股票价格分析是金融领域常见任务，涉及从互联网获取实时或历史价格数据（I/O密集型），以及执行复杂计算如傅里叶变换以分析趋势（计算密集型）。
+
+## 任务目标
+假设任务是从 Yahoo Finance 获取股票价格数据（如AAPL、MSFT、GOOG），然后对每组数据执行傅里叶变换以分析频率成分。
+
+各模型的特点和适用场景说明：
+
+** 串行执行 **
+特点：顺序执行所有任务, 编程简单。
+性能：作为基准。
+适用场景：任务量少、无性能要求时。
+
+** 多线程执行 **
+特点：线程池并发处理 I/O 任务，但受限于 Python 的 GIL（全局解释器锁），计算任务无法并行。
+性能：在 I/O 密集型任务中显著优于串行执行，但在计算密集型任务中提升有限。
+适用场景：网络请求、文件读写等 I/O 密集型任务。
+
+** 多进程执行 ** 
+特点：进程池并行执行任务，可充分利用多核 CPU。
+性能：在计算密集型任务（如傅里叶变换）中表现优异，但在 I/O 任务中因进程开销可能不如多线程或异步。
+适用场景：数学计算、数据处理等计算密集型任务。
+
+** 异步执行 ** 
+特点：单线程处理并发 I/O 任务 。
+性能：在 I/O 密集型任务中效率高，但在计算密集型任务中无优势。
+适用场景：高并发网络请求、API 调用等 I/O 密集型任务。
+
+** 混合执行 ** 
+数据获取使用异步方法，计算部分使用多进程并行。
+结合了异步 I/O 的高效性和多进程计算的并行性。
+
+## 性能比较和分析
+多线程和异步在 I/O 密集型任务中大幅缩短时间。
+多进程在计算密集型任务中提升性能。
+运行结果依据实际时间因网络和硬件而异，并不能直接说明执行方式的特点。
+时间消耗测评可以追踪到更细化的步骤进行分析。
+
+通过这个案例，读者可以：
+理解 I/O 密集型和计算密集型任务的区别，
+了解多线程、多进程和异步编程的实现方法。
+
+
+## 其它
+无代理环境，可以自行查阅资源用 request 直接爬股票数据 。

C 高性能模式/case_股票分析.py

@@ -0,0 +1,109 @@
+import yfinance as yf
+import numpy as np
+from concurrent.futures import ThreadPoolExecutor, ProcessPoolExecutor
+import asyncio
+import time
+import functools
+
+
+####################################################################
+
+# 获取股票数据（I/O密集型任务）
+def fetch_stock_data(stock):
+    print(f"Fetching data for {stock}")
+    data = yf.download(stock, start="2020-01-01", end="2023-01-01",auto_adjust=False)
+    return data['Close'].values
+
+
+# 异步获取股票数据
+async def async_fetch_stock_data(stock):
+    print(f"Fetching data for {stock}")
+    data = await asyncio.to_thread(yf.download, stock, start="2020-01-01", end="2023-01-01",auto_adjust=False)
+    return data['Close'].values
+
+
+# 傅里叶变换（计算密集型任务）
+def fourier_transform(data):
+    print("Performing Fourier Transform")
+    fft_data = np.fft.fft(data)
+    return np.abs(fft_data)
+
+
+def timeit(message):
+    def decorator(func):
+        @functools.wraps(func)
+        def sync_wrapper(*args, **kwargs):
+            start_time = time.time()
+            result = func(*args, **kwargs)
+            end_time = time.time()
+            print(f"{message}: {end_time - start_time:.2f} seconds")
+            return result
+        async def async_wrapper(*args, **kwargs):
+            start_time = time.time()
+            result = await func(*args, **kwargs)
+            end_time = time.time()
+            print(f"{message}: {end_time - start_time:.2f} seconds")
+            return result
+        if asyncio.iscoroutinefunction(func):
+            return async_wrapper
+        else:
+            return sync_wrapper
+    return decorator
+
+####################################################################
+
+# 股票列表
+stocks = ['AAPL', 'MSFT', 'GOOG']
+
+
+# 串行执行
+@timeit("串行执行")
+def serial_execution():
+    for stock in stocks:
+        data = fetch_stock_data(stock)
+        fft_data = fourier_transform(data)
+        # 可视化（等等...）
+
+
+# 多线程执行（优化 I/O 密集型任务）
+@timeit("多线程执行")
+def threaded_execution():
+    with ThreadPoolExecutor(max_workers=3) as executor:
+        data_list = list(executor.map(fetch_stock_data, stocks))
+    for data in data_list:
+        fft_data = fourier_transform(data)
+        # 可视化（等等...）
+
+# 多进程执行（优化计算密集型任务）
+@timeit("多进程执行")
+def multiprocessing_execution():
+    with ProcessPoolExecutor(max_workers=3) as executor:
+        data_list = list(executor.map(fetch_stock_data, stocks))
+    with ProcessPoolExecutor(max_workers=3) as executor:
+        fft_data_list = list(executor.map(fourier_transform, data_list))
+        # 可视化（等等...）
+
+# 异步执行（优化 I/O 密集型任务）
+@timeit("异步执行")
+async def async_execution():
+    tasks = [async_fetch_stock_data(stock) for stock in stocks]
+    data_list = await asyncio.gather(*tasks)
+    for data in data_list:
+        fft_data = fourier_transform(data)
+        # 可视化（等等...）
+
+@timeit("混合执行")
+async def mixed_execution():
+    tasks = [async_fetch_stock_data(stock) for stock in stocks]
+    data_list = await asyncio.gather(*tasks)
+    with ProcessPoolExecutor(max_workers=3) as executor:
+        fft_data_list = list(executor.map(fourier_transform, data_list))
+        # 可视化（等等...）
+
+
+if __name__ == "__main__":
+    print("串行执行:");    serial_execution()
+    print("\n多线程执行:") ;     threaded_execution()
+    print("\n多进程执行:");    multiprocessing_execution()
+    print("\n异步执行:");    asyncio.run(async_execution())
+    print("\n混合执行:") ;    asyncio.run(mixed_execution())

readme.MD

@@ -5,8 +5,10 @@
 A 代码模式
 用一个简单任务，展示各种需求（完成任务简单、可读性强、可复用高、维护成本低等）下的代码写法
 
+
 B 面向对象设计模式
 用一个业务场景复现面向对象的经典设计模式
 
+
 C 高性能模式
 考虑执行时间快，内存占用少的一些办法