使用内置函数、优化数据结构、生成器、局部变量、c扩展和分析工具可显著提升python性能。具体包括：优先用map、filter、set和collections模块；选deque替代list，dict维护键值对，array.array存数值；用yield减少内存占用；将频繁访问的变量转为局部变量；通过cython或numpy加速计算密集任务；用cprofile和%timeit定位瓶颈。
如果您在开发过程中发现Python程序运行缓慢或资源消耗过高，可能是代码结构或执行效率存在问题。通过合理的优化手段可以显著提升性能。
本文运行环境：MacBook Pro，macOS Sonoma
一、使用内置函数和库
Python的内置函数经过高度优化，通常比手动编写的循环更快。利用这些函数能有效减少执行时间。
1、优先使用 map()、filter() 和 sum() 等内置函数替代显式for循环。
立即学习“Python免费学习笔记（深入）”；
2、对于集合运算，应使用 set 而非 list 进行成员检测，以获得 O(1) 的查找速度。
3、导入 collections 模块中的 Counter、deque 等数据结构来处理高频操作。
二、优化数据结构选择
正确的数据结构能极大影响算法复杂度和内存占用。根据访问模式选择最合适的数据类型是关键。
1、频繁插入删除时使用 deque 替代 list，避免因移动元素导致的开销。
2、当需要维护键值映射关系且对顺序敏感时，采用 dict（Python 3.7+有序）而非列表嵌套元组。
3、大数据量下考虑使用 array.array 存储数值类型，节省内存并加快访问速度。
三、利用生成器减少内存占用
生成器按需产生数据，避免一次性加载全部结果到内存中，适合处理大规模数据集。
1、将返回列表的函数改为使用 yield 关键字返回生成器对象。
2、在文件读取场景中，逐行迭代文件句柄而非调用 readlines() 加载整个文件。
3、结合 itertools.islice() 对无限生成器进行安全切片操作。
四、使用局部变量加速访问
局部作用域的变量查找速度优于全局或内置作用域，频繁访问的变量应尽量置于函数内部。
1、将常被引用的全局变量赋值给局部变量后再循环使用。
2、在类方法中，若某实例属性频繁读取，可先缓存为局部变量。
3、避免在循环体内调用 len(sequence)，应提前存储其长度值。
五、借助C扩展提升关键路径性能
对于计算密集型任务，使用C语言编写的扩展模块可实现数量级的性能飞跃。
1、使用 Cython 将热点函数编译为C扩展，同时保持Python语法风格。
2、通过 ctypes 或 cffi 调用已有的高性能C库。
3、对数学运算密集代码段尝试使用 NumPy 的向量化操作替代纯Python实现。
六、启用分析工具定位瓶颈
准确识别性能瓶颈是优化的前提。使用专业工具测量各部分执行时间和调用频率。
1、运行 cProfile 模块获取函数级别的执行统计信息。
2、结合 pstats 对输出结果排序筛选，找出耗时最长的调用。
3、在交互式环境中使用 %timeit 魔术命令精确测量小段代码的执行周期。
