python-performance-optimization

出典に関する声明：このスキルの内容は wshobson/agents （MIT License、Copyright (c) 2024 Seth Hobson）を基にしています。ライセンス全文は同じディレクトリの LICENSE.txt をご覧ください。 使用、変更、再配布の際は、MIT ライセンスの条項に従い、著作権表示を保持する必要があります。

説明

このスキルでは、フルスタック開発に関するベストプラクティスとパターンを紹介します。

---

name: python-performance-optimization description: cProfile、メモリプロファイラー、パフォーマンスに関するベストプラクティスを使用して、Python コードのプロファイリングと最適化を行います。Python コードの低速化のデバッグ、ボトルネックの最適化、アプリケーションのパフォーマンス改善に使用します。

Python のパフォーマンス最適化

Python コードのプロファイリング、分析、最適化に関する包括的なガイドです。CPU プロファイリング、メモリ最適化、実装のベストプラクティスを取り上げ、パフォーマンスの向上を目指します。

このスキルを使用する場面

• Python アプリケーションのパフォーマンスボトルネックの特定
• アプリケーションのレイテンシと応答時間の短縮
• CPU 負荷の高い処理の最適化
• メモリ消費量とメモリリークの削減
• データベースクエリのパフォーマンス改善
• I/O 操作の最適化
• データ処理パイプラインの高速化
• 高パフォーマンスなアルゴリズムの実装
• 本番環境のアプリケーションのプロファイリング

主な概念

1. プロファイリングの種類

• CPU プロファイリング：時間のかかる関数を特定します
• メモリプロファイリング：メモリ割り当てとメモリリークを追跡します
• 行単位のプロファイリング：行ごとの細かさでプロファイリングします
• コールグラフ：関数の呼び出し関係を可視化します

2. パフォーマンス指標

• 実行時間：処理にかかる時間
• メモリ使用量：メモリ消費量のピーク値と平均値
• CPU 使用率：プロセッサの使用状況
• I/O 待機時間：I/O 操作に費やされる時間

3. 最適化戦略

• アルゴリズム：より優れたアルゴリズムとデータ構造を使用します
• 実装：より効率的なコードパターンを使用します
• 並列化：マルチスレッド化／マルチプロセス化します
• キャッシュ：重複する計算を避けます
• ネイティブ拡張：重要な処理には C／Rust を使用します

クイックスタート

基本的な計測

import time

def measure_time():
    """Simple timing measurement."""
    start = time.time()

    # Your code here
    result = sum(range(1000000))

    elapsed = time.time() - start
    print(f"Execution time: {elapsed:.4f} seconds")
    return result

# Better: use timeit for accurate measurements
import timeit

execution_time = timeit.timeit(
    "sum(range(1000000))",
    number=100
)
print(f"Average time: {execution_time/100:.6f} seconds")

詳細なパターンと実例

詳細なパターンのドキュメントは references/details.md にあります。上記のナビゲーションでは情報が不足している場合に、このファイルをお読みください。

ベストプラクティス

1. 最適化の前にプロファイリングする - 測定して実際のボトルネックを見つけます
2. 頻繁に実行される処理に注力する - 最も頻繁に実行されるコードを最適化します
3. 適切なデータ構造を使用する - 検索には dict、所属確認には set を使用します
4. 早まった最適化を避ける - まず明確さを優先し、その後に最適化します
5. 組み込み関数を使用する - C で実装されています
6. コストの高い計算をキャッシュする - lru_cache を使用します
7. I/O 操作をまとめて行う - システムコールを減らします
8. 大規模なデータセットにはジェネレーターを使用します
9. 数値演算には NumPy の利用を検討します
10. 本番環境のコードをプロファイリングする - 稼働中のシステムには py-spy を使用します

よくある落とし穴

• プロファイリングせずに最適化する
• 不必要にグローバル変数を使用する
• 適切なデータ構造を使用しない
• データの不要なコピーを作成する
• データベース接続プーリングを使用しない
• アルゴリズムの計算量を無視する
• まれにしか実行されないコードパスを過剰に最適化する
• メモリ使用量を考慮しない

対応範囲

✅ 得意なこと

• フルスタック開発に関するベストプラクティス
• コードアーキテクチャの設計ガイダンス
• パフォーマンス最適化の提案

⚠️ 必要な情報

• プロジェクトの具体的なコンテキスト
• 技術スタックの情報

❌ 対応範囲外

• 技術分野以外のビジネス上の意思決定
• 具体的なコード実装（ガイダンスのみを提供します）

ワークフロー

Step 1: 要件分析

プロジェクトの要件と技術的な制約を理解します

Step 2: アーキテクチャ設計

システムアーキテクチャとコンポーネントの分割を設計します

Step 3: 実装ガイダンス

具体的な実装の提案とコードパターンを提供します

Step 4: コードレビュー

コードの品質とベストプラクティスへの準拠状況を確認します

Step 5: 最適化の提案

パフォーマンス最適化と改善の提案を行います

注意点

1. 過剰設計

単純な場面で複雑なデザインパターンを使用するのは避けてください

2. パフォーマンスの軽視

特に本番環境では、パフォーマンスの最適化を軽視しないでください

3. セキュリティへの配慮

常にセキュリティとデータ保護を考慮してください

4. テストカバレッジ

特に境界条件について、十分なテストカバレッジを確保してください

5. ドキュメントの保守

ドキュメントをコードと同期して更新してください