优化Python程序应先用cProfile、memory_profiler等工具定位真实瓶颈，再减少对象创建、善用生成器、合理选择数据结构，而非盲目更换语言或加装饰器。
找准性能瓶颈，别瞎优化
Python程序变慢，八成不是语言本身的问题，而是代码写法或资源使用不当。盲目加装饰器、换C扩展，反而让代码更难维护。先用工具说话：用 cProfile 看函数耗时分布，用 memory_profiler 观察对象生命周期，用 line_profiler 定位某一行的执行开销。重点关注调用频次高、累积时间长、内存增长快的模块——这些才是真瓶颈。
减少对象创建，重用比新建更省心
频繁创建短生命周期对象（比如循环里不断生成 list、dict、字符串）会显著拖慢速度并抬高GC压力。能复用就别新建：用 list.clear() 代替 []，用 str.join() 替代 += 拼接，用 collections.namedtuple 或 __slots__ 降低实例内存 footprint。对固定结构的数据，优先考虑元组或冻结集合（frozenset），它们不可变且开销更低。
善用生成器和迭代器，按需取数不囤货
一次性加载大文件、大数据集到内存（如 readlines()、list(range(10**7))）极易触发内存告警。改用生成器表达式或 yield 函数，让数据“流式处理”：
- ✅ 好习惯： (x*2 for x in data if x > 0)
- ❌ 避免： [x*2 for x in data if x > 0]（全量构建列表）
配合 itertools 模块（如 islice、chain）可进一步避免中间容器，尤其适合管道式数据处理场景。
立即学习“Python免费学习笔记（深入）”；
合理选择数据结构，别拿字典当万金油
dict 查找快，但内存占用高、哈希计算有开销。若键是连续小整数，list 索引访问更快更省内存；若只需判断存在性且元素不可变，set 或 frozenset 更轻量；若顺序重要且常做头尾增删，collections.deque 比 list 更高效。另外，用 array.array 存纯数字比 list 节省 3–5 倍内存，配合 NumPy 则更适合数值密集型任务。
