python-performance-optimization

Python のパフォーマンス最適化

まず測定します。重要なボトルネックを最適化します。パフォーマンスを変更するたびに、正しさを検証するテストを用意しておきます。

NumPy のベクトル化、キャッシュ、メモリ管理、並列処理、非同期 I/O、データベースの最適化、ベンチマークツールなどの高度なパターンについては、references/advanced-patterns.md を参照してください。

事前情報の収集

以下を収集します。

• ワークロードと入力サイズ；
• 対象の指標：レイテンシ、スループット、メモリ、CPU、I/O；
• 現在の測定値と目標値；
• 環境とハードウェア；
• 正しさを検証するテストまたはゴールデン出力。

プロファイリングの順序

1. 現実的な入力で、遅い処理を再現します。
2. シンプルな実時間計測を追加します。
3. 適切なプロファイラーを使用します。
   • CPU には cProfile / py-spy；
   • 行単位のホットスポットには line_profiler；
   • メモリには memory_profiler / tracemalloc；
   • 本番環境のレイテンシにはアプリケーションのメトリクス。
4. 変更する価値のある、最小のホットパスを特定します。
5. 1つのボトルネックを最適化します。
6. 再測定し、正しさを検証します。

よくある修正の種類

• より優れたアルゴリズムまたはデータ構造を使います。
• キャッシュで繰り返しの処理を避けます。
• I/O やデータベース呼び出しをバッチ処理します。
• メモリ使用量を抑えるためにジェネレーターやストリーミングを使います。
• 適切な場合は、NumPy/Pandas/JAX/PyTorch で数値処理をベクトル化します。
• 真に CPU バウンドな並列処理は、マルチプロセッシングまたはネイティブライブラリに移します。

ルール

• ベースラインを測定せずに最適化しないでください。
• 正しさを損なう速度向上を、明示せずに行わないでください。
• 実行頻度の低いコードを最適化しないでください。
• マイクロ最適化よりアルゴリズムによる改善を優先します。
• 変更前後の数値と入力サイズを記録します。

出力

以下を返します。

• パフォーマンス目標；
• 測定方法；
• ボトルネックの根拠；
• 期待される効果の大きい順に並べた最適化計画；
• 正しさを保証する仕組み；
• 変更前後の報告テンプレート。