Pythonπ近似值计算代码运行缓慢，求优化方法及原因分析

一、当前计算方式的效率问题 #

你用的是莱布尼茨级数（π/4 = 1 - 1/3 + 1/5 - 1/7 + ...），这个级数的收敛速度极慢：要得到n位有效数字，需要大约10^n次迭代。比如要拿到6-7位精度，得迭代上千万次，这就是你觉得运行慢的核心原因——算法本身的收敛效率太低，不是代码写法的小问题。

二、优化方案 #

1. 换用收敛更快的级数 #

直接放弃莱布尼茨级数，改用收敛速度快得多的公式，比如：

• Machin公式：π/4 = 4arctan(1/5) - arctan(1/239)，仅需几次迭代就能得到十几位精度
• Chudnovsky算法：适合计算高精度π，收敛速度呈指数级，实现稍复杂
• BBP公式：可直接计算π的第n位，无需先算出前面所有位

Machin公式的简单实现示例：

import math

def calculate_pi():
    return 4 * (4 * math.atan(1/5) - math.atan(1/239))

print(calculate_pi())

这段代码能瞬间输出10位以上精度的π值。

2. 优化莱布尼茨级数的代码写法（若坚持使用） #

如果一定要用莱布尼茨级数，可通过消除冗余计算提升速度：

• 避免每次计算(-1)**i，用一个符号变量交替翻转
• 避免重复计算i*2+1，用变量递增的方式维护分母
• 简化浮点数运算步骤

优化后的代码示例：

nx = 0.0
sign = 1
denominator = 1
for _ in range(10000000):
    nx += sign / denominator
    sign *= -1
    denominator += 2

print(nx * 4)

去掉幂运算和重复乘法后，运行速度会比原代码快不少。

3. 用编译工具加速循环 #

如果需要处理超大规模迭代，可借助Python编译加速工具：

• NumPy向量化：将循环转为数组运算，利用C级别的执行速度
• Numba：通过JIT（即时编译）加速函数，无需大幅修改代码
• Cython：将Python代码编译为C代码，大幅提升循环效率

Numba加速的示例：

from numba import jit

@jit(nopython=True)
def calculate_pi_leibniz(n):
    nx = 0.0
    sign = 1
    denominator = 1
    for _ in range(n):
        nx += sign / denominator
        sign *= -1
        denominator += 2
    return nx * 4

print(calculate_pi_leibniz(10000000))

这个版本的循环速度会比纯Python快几十倍。

4. 提前终止迭代（针对莱布尼茨级数） #

莱布尼茨级数的每一项绝对值是1/(2i+1)，当这个值小于你需要的精度阈值时，就可以停止迭代。比如要得到6位精度，当1/(2i+1) < 1e-7时即可终止，减少不必要的计算。

内容的提问来源于stack exchange，提问作者maggapgga