python-performance-optimization

Python 性能优化

先测量，再优化最关键的瓶颈。每次性能改动都应配备正确性测试。

有关 NumPy 向量化、缓存、内存管理、并行处理、异步 I/O、数据库优化和基准测试工具等高级模式，请阅读 references/advanced-patterns.md。

信息收集

收集以下信息：

• 工作负载和输入规模；
• 目标指标：延迟、吞吐量、内存、CPU、I/O；
• 当前测量值和期望目标；
• 环境和硬件；
• 正确性测试或标准输出。

性能分析顺序

1. 使用真实输入复现缓慢路径。
2. 添加简单的墙钟时间测量。
3. 使用合适的分析工具：
   • 使用 cProfile / py-spy 分析 CPU；
   • 使用 line_profiler 定位行级热点；
   • 使用 memory_profiler / tracemalloc 分析内存；
   • 使用应用程序指标衡量生产环境延迟。
4. 找出值得改动的最小热点路径。
5. 优化一个瓶颈。
6. 重新测量并验证正确性。

常见优化类型

• 改进算法或数据结构。
• 通过缓存避免重复工作。
• 对 I/O 或数据库调用进行批处理。
• 使用生成器/流式处理来节省内存。
• 适当时使用 NumPy/Pandas/JAX/PyTorch 对数值计算进行向量化。
• 将真正受 CPU 限制的并行任务交给多进程/原生库处理。

规则

• 未进行基线测量前不要优化。
• 不要在不说明的情况下牺牲正确性来换取速度。
• 不要优化冷代码。
• 优先选择算法层面的提升，而不是微优化。
• 记录优化前后的数据和输入规模。

输出

返回：

• 性能目标；
• 测量方法；
• 瓶颈证据；
• 按预期影响排序的优化计划；
• 正确性保障；
• 优化前后报告模板。