第一章 瞭解高性能Python
基本電腦系統
理想化的計算vs. Python虛擬機器
那為什麼還要用Python？
如何成為高效能的程式開發者
Python的未來

第二章 透過效能分析來找出瓶頸
有效率地分析
介紹Julia set
計算完整的Julia set
簡單的計時法—print與decorator
使用Unix time命令來做簡單的計時
使用cProfile模組
使用SnakeViz來將cProfile的輸出視覺化
使用line_profiler來逐行測量
使用memory_profiler來診斷記憶體的使用情況
一起分析CPU與記憶體：使用Scalene
用PySpy來自檢既有的程序
在時間軸上做互動式呼叫堆疊分析：使用VizTracer
Bytecode：檢視底層
在優化過程中進行單元測試，以維持正確
成功分析程式碼的策略

第三章 串列與tuple
更有效率的搜尋法
串列vs. tuple

第四章 字典與集合
字典與集合如何運作？

第五章 迭代器與產生器
處理無限序列的迭代器
延後產生器求值

第六章 矩陣與向量計算
問題介紹
Python串列不夠好嗎？
記憶體碎片化
用numpy來處理擴散問題
numexpr：讓就地操作更快速與更輕易
圖形處理單元（GPU）
警世故事：驗證「優化」（scipy）
從矩陣優化得到的教訓

第七章 Pandas、Dask與Polars
Pandas
使用Dask來處理分散的資料結構與DataFrame
用Polars來獲得快速的DataFrames

第八章 編譯為C
可能提升多少速度？
JIT vs. AOT編譯器
為何型態資訊可幫助程式跑得更快？
使用C編譯器
再談Julia set範例
Cython
pyximport
Cython與numpy
Numba
PyPy
速度改善方法總結
使用各項技術的時機
外部函式介面

第九章 非同步I/O
非同步編程簡介
async/await如何運作？
共享CPU–I/O工作負載

第十章 multiprocessing模組
multiprocessing模組概要
使用Monte Carlo法來估計pi
使用程序與執行緒來估計pi
尋找質數
使用跨程序通訊來檢驗質數
使用multiprocessin來共享numpy資料
同步檔案與變數存取

第十一章 叢集與任務佇列
叢集的好處
叢集的缺點
常見的叢集設計
如何開始採用叢集方案
在使用叢集時避免痛苦的方法
兩種叢集方案
其他可以研究的叢集工具
Docker

第十二章 使用更少RAM
基本型態物件很昂貴
瞭解集合使用多少RAM
Bytes vs. Unicode
在RAM中有效率地儲存許多文字
為更多文字建模：使用scikit-learn的FeatureHasher
DictVectorizer與FeatureHasher簡介
SciPy的稀疏矩陣
關於使用更少RAM的小提示
機率式資料結構

第十三章 來自現場的教訓
開發高效能機器學習演算法
新聞領域中的高效能運算
來自網路再保險領域的經驗
量化金融領域裡的Python
保持彈性以實現高效能
使用Feature-engine來改進特徵工程作業線（2020）
高效能的資料科學團隊（2020）
Numba（2020）
優化vs.思考（2020）
讓深度學習飛起來，與RadimRehurek.com（2014）
在Smesh的大型社群媒體分析（2014）