工程化
性能优化实战：从定位到解决
掌握 Python 性能分析和优化的系统方法
- 掌握 cProfile 性能分析
- 学会识别性能瓶颈
- 掌握常见优化手段
- 理解时间复杂度和数据结构选择
优化的第一法则：测量，不要猜
过早优化是万恶之源。没测量之前，你以为的瓶颈大概率不是真瓶颈。用性能分析器找到真正慢的地方，再针对性优化。
示例代码（可运行）
Python 0%
💡分析器选择
cProfile 是首选，内置、零依赖。行级分析用 line_profiler。生产环境用 py-spy，采样分析，不侵入代码。内存分析用 tracemalloc。
常见优化手段
Python
# 1. 用内置函数和标准库（C实现，比Python循环快10-100倍）
# 反例
result = []
for item in items:
if item > 0:
result.append(item * 2)
# 正例
result = [item * 2 for item in items if item > 0]
# 2. 用正确的数据结构
# 成员检查：list 的 in 是 O(n)，set/dict 的 in 是 O(1)
# 反例
if user_id in active_users_list: # O(n)
...
# 正例
if user_id in active_users_set: # O(1)
...
# 3. 字符串拼接用 join
# 反例
result = ""
for s in strings:
result += s # 每次创建新字符串，O(n^2)
# 正例
result = "".join(strings) # O(n)
# 4. 用生成器处理大数据
# 反例：一次性加载所有行到内存
lines = [process(line) for line in open("huge_file.csv")]
# 正例：逐行处理，内存恒定
for line in open("huge_file.csv"):
process(line)
# 5. 缓存重复计算
from functools import lru_cache
@lru_cache(maxsize=128)
def fibonacci(n):
if n < 2: return n
return fibonacci(n-1) + fibonacci(n-2)算法复杂度意识
示例代码（可运行）
Python 0%
🐍优化优先级
优化效果排序：算法改进（O(n2)到O(n)）> 数据结构选择（list到set）> 内置函数替代循环 > 局部变量缓存 > 微优化。别花时间优化只占1%耗时的函数。
并发优化
Python
# I/O 密集（网络请求、文件读写、数据库查询）用线程或协程
import concurrent.futures
# 线程池
with concurrent.futures.ThreadPoolExecutor(max_workers=10) as executor:
results = list(executor.map(fetch_url, urls))
# CPU 密集（数学计算、图像处理）用多进程
with concurrent.futures.ProcessPoolExecutor() as executor:
results = list(executor.map(heavy_compute, data_chunks))
# 记住：GIL 让多线程无法并行执行 Python 字节码
# I/O 操作时 GIL 会释放，所以线程对 I/O 密集有效
# CPU 密集必须用多进程或 C 扩展找 Bug嵌套循环是 O(n^2)，加上 list 的 in 检查又是 O(n)，实际接近 O(n^3)。用 set 一次遍历 O(n) 即可。
def find_duplicates(items):
duplicates = []
for i in range(len(items)):
for j in range(i+1, len(items)):
if items[i] == items[j] and items[i] not in duplicates:
duplicates.append(items[i])
return duplicates
资深工程师加餐
底层原理 · 大厂视角 · 工程经验，点卡片展开
底层是大量、快速、稳定的单元测试（优先覆盖纯函数与边界/异常路径），中间是少量集成测试（验证模块协作），顶端是少量端到端测试（慢且脆）。测试最大的价值是当「安全网」：有它你才敢放心重构。没测试兜底的重构，本质是在赌博。写用例先想正常、边界、异常三类。
挑战任务
性能分析与优化
简单+50 XP
用 cProfile 分析一个慢函数，找到瓶颈并优化，对比优化前后的执行时间。
性能分析与优化
Python 0%
3 个测试用例
课后作业
优化实战
中等+35 XP
找一个你写过的慢程序（或写一个 O(n^2) 的程序），用 cProfile 分析，优化到 O(n)，写报告对比。
优化实战
Python 0%
1 个测试用例