定位性能瓶颈需先测量再优化：用cprofile分析函数级耗时，关注cumulative time；识别高频小操作、i/o阻塞、算法复杂度、gil限制四类问题；line_profiler精确定位行级热点；memory_profiler排查内存与gc影响。
定位性能瓶颈是优化python代码的第一步，盲目修改往往事倍功半。核心思路是：先测量、再分析、后优化——用数据代替猜测。
用cProfile快速抓出耗时大户
cProfile是Python标准库中最实用的性能分析工具，能精确到函数级耗时和调用次数。只需在脚本入口加几行代码：
import cProfile import pstats <h1>替换你的主函数调用</h1><p>cProfile.run('main()', 'profile_stats') stats = pstats.Stats('profile_stats') stats.sort_stats('cumulative') # 按累计时间排序 stats.print_stats(20) # 打印前20个最耗时的函数重点关注 cumulative time（累计时间）列，它包含该函数自身耗时及其所有子调用时间；若某函数自身时间（tottime）占比高，说明它内部有热点；若累计时间远大于自身时间，说明它调用了大量慢函数，应顺藤摸瓜往下查。
识别常见瓶颈类型
分析结果后，多数性能问题可归为以下几类：
立即学习“Python免费学习笔记（深入）”；
- 高频小操作堆积：如循环内反复拼接字符串（
s += item）、频繁创建短生命周期对象、重复计算不变表达式 - I/O阻塞未并发：同步读文件、发http请求、访问数据库时未批量或异步处理
- 算法复杂度失控：误用O(n²)嵌套遍历替代哈希查找，或对大列表反复调用
list.index()、item in list - CPU密集型未释放GIL：纯计算任务（如数值运算、加密）被CPython的全局解释器锁拖慢，适合用
multiprocessing或C扩展加速
用line_profiler精确定位行级热点
当cProfile指出某个函数很慢，但不确定哪一行是罪魁祸首时，line_profiler可深入到每一行的执行时间和次数：
pip install line_profiler # 在目标函数上加装饰器 @profile def slow_function(): ... <h1>命令行运行</h1><p>kernprof -l -v script.py输出会显示每行代码的执行次数、总耗时、每行平均耗时及占函数总耗时百分比。特别注意那些“执行次数多+每行耗时长”的组合，比如循环内未缓存的属性访问、重复正则编译、未预编译的json解析等。
别忽略内存与GC的影响
内存暴涨或频繁垃圾回收也会显著拖慢程序，尤其在长时间运行或处理大数据时：
- 用
memory_profiler监控内存增长：@profile装饰函数后运行python -m memory_profiler script.py - 检查是否无意中保留了大对象引用（如全局缓存未清理、闭包捕获了大变量）
- 避免在循环中不断追加到大列表，考虑生成器或
Array.array等更省内存结构
有时“变快”不是因为计算更快，而是因为减少了内存压力，让GC更少打断执行。